Apostila Estatística

IFBA
Probabilidade e Estatstica
Versao 1
Allan de Sousa Soares

Graduac
ao: Licenciatura em Matematica - UESB
Especilizacao: Matematica Pura - UESB
Mestrado: Matematica Pura - UFMG
Vit
oria da Conquista - BA
2016
Sum
ario
1 Aula 1
1.1
O Conceito de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Espaco Amostral e Evento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
Uso de Contadores em Simulacoes Computacionais . . . . . . . . . . . . . . . . . . . . . . . . .
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
Media ou Esperanca Matem

atica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
Populacao, Amostra e Representatividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
8.3
Distribuic
ao de Frequencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
8.4
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
8.5
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
9 Aula 9
45
9.1
Elementos da Tabela de Distribuicao e Representacao Grafica de uma Amostra . . . . . . . . . .
45
9.2
Representac
ao Gr
afica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
9.3
Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
9.4
No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
10 Aula 10
50
10.1 Medidas de Posic

ao - Medias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
10.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
10.3 Qual Media Usar? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
11.5 Media, Mediana e Moda, qual delas escolher? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
58
12 Aula 12
60
12.1 Medidas de Dispers

ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
60
12.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
12.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
13 Aula 13
65
13.1 Medidas de Assimetria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
13.2 Medida de Curtose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
13.3 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
68
13.4 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
13.5 Erros: Tabelas vs Dados Brutos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
15.3 Uso da Tabela de Distribuic

ao Normal Padrao
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
15.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
15.5 Algumas Considerac

oes Sobre a Distribuicao Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
15.6 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
16 Aula 16
16.1 Amostragem
84
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
16.1.1 Dimensionamento da Amostra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
84
16.1.2 Composic
ao da Amostra - Metodos Probabilsticos . . . . . . . . . . . . . . . . . . . . . . . .
86
16.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
16.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
17 Aula 17
91
17.1 Intervalos de Confianca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
91
91
17.1.2 Intervalo de Confianca Para a Media Quando a Variancia e Desconhecida . . . . . . . . .
93
17.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
17.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
17.1.1 Intervalo de Confianca Para a Media Quando a Variancia e Conhecida . . . . . . . . . . .
18 Aula 18
96
18.1 Intervalo de Confianca - Continuac

ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
18.1.1 Intervalo de Confianca Para a Variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
18.1.2 Intervalo de Confianca Para a Proporcao ou Probabilidade
. . . . . . . . . . . . . . . . . . . .
97
18.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
18.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
19 Aula 19
100
19.1 Teste de Hip

otese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
19.2 Erros em Testes de Hip
otese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
19.3 Testes de Signific

ancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
19.3.1 Teste de Signific
ancia Para Medias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
19.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
19.5 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
20 Aula 20
104
20.1 Teste de Hip

otese - Continuac
ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
ancia Para a Variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
ancia Para Proporcoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
20.2 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
20.3 No Computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
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
(veremos mais tarde).
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
a sua probabilidade de ocorrencia.
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
motiva a darmos a seguinte definic

ao:
Defini
c
ao 1.2.1. Para cada experimento aleat
orio E, define-se Espaco Amostral S o conjunto de todos os possveis
resultados desse experimento.
Exemplo 1.2.2. Na jogada de um dado, um espaco amostral do conjunto de todos os resultados possveis e
S = {1, 2, 3, 4, 5, 6}.
Observe que trata-se de um espaco amostral finito.
Exemplo 1.2.3. Imagine que desejemos jogar um dado ate que a primeira face 6 ocorra. Neste caso, o espaco amostral
e dado por S = {6, 16, 26, 36, ..., 116, ..., 256, ...}. Observe que trata-se de um espaco amostral infinito.
Defini
c
ao 1.2.4. Um evento e um conjunto de resultados do experimento, em termos de conjuntos, e um subconjunto
de S. Em particular, S e s
ao eventos, S e dito evento certo e e o evento impossvel.
Usando-se as operac
oes entre conjuntos damos origem a novos eventos.
A B e o evento que ocorre se A ocorre ou B ocorre, ou ambos ocorrem.
A B e o evento que ocorre se A e B ocorrem simultaneamente.
A e o evento que ocorre se A n
ao ocorre.
Exemplo 1.2.5. Considere o experimento E: Jogar uma moeda tres vezes e observar os resultados. Neste caso,
S = {(ca, ca, ca), (ca, ca, co), (ca, co, ca), ..., (co, co, co)}.
Neste caso, o evento A: Ocorrer pelo menos 2 faces cara e dado por:
A = {(ca, ca, co), (ca, co, ca), (co, ca, ca), (co, co, co)}.
Defini
c
ao 1.2.6. Dois eventos A e B s
ao ditos mutuamente exclusivos, se eles n
ao puderem ocorrer simultaneamente,
isto e, A B = .
Exemplo 1.2.7. Se considerarmos o experimento E: Jogar um dado e observar o resultado, temos que os eventos
A = {cair f ace par} e B = {cair f ace impar} s
ao mutuamente exclusivos.
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.
Determine a probabilidade de que
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
Exerccio 1.4.1. Seja A o conjunto de todos os n

umeros naturais entre 5 e 15 que s
ao pares. Descreva o conjunto A.
Exerccio 1.4.2. Dois dados s
ao lancados simultaneamente.
a) Determine o espaco amostral.
b) Determine a probabilidade de a soma ser igual a 9.
Exerccio 1.4.3. Determine o n
umero de subconjuntos dos conjuntos:
a) A = {1, 2}.
b) A = {1, 2, 3}.
c) A = {1, 2, 3, ..., n}.
Exerccio 1.4.4. 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.
REPOSTAS:
1.4.1. A = {6, 8, 10, 12, 14},
1.4.2. a) S = {(1, 1), (1, 2), ..., (4, 6), (5, 6), (6, 6)},
1.4.3. a) 4,
b) 8,
b) 91 .
c) 2n
1.4.4. P (A) = 47 , P (B) =
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.
Figura 1.1: Simulacao em Excel - Aniversarios
Figura 1.2: Rotina em Octave - Aniversarios
Figura 1.3: Simulacao com 10000 Grupos - Aniversarios
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
Exemplo 2.1.4. Num lote de 12 pecas, 4 s

ao defeituosas. Se duas pecas s
ao retiradas aleatoriamente, calcule a
probabilidade de ambas as pecas n
ao serem defeituosas.
Soluc
ao: Podemos resolver considerando o evento A : ambas as pecas n
ao serem defeituosas. Temos que o n
umero de
eventos (equiprov
aveis) de S e dado por:
n(S) = C212 =
12!
= 66.
2!(12 2)!
10
Por outro lado,

n(B) = C28 =
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
supondo que todos os competidores tem a mesma chance de vit

oria.
Defini
c
ao 2.2.2. Dados dois eventos, A e B, denota-se por P (A|B) a probabilidade condicional do evento A, quando
B tiver ocorrido e
P (A|B) =
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 .
Procedendo desta maneira,
temos que a probabilidade P de n anivers

arios em dias distintos e dada por:

30 29 30 n + 1
1
2
n1
P =
...
= 1
1
... 1
30 30
30
30
30
30
Em particular, para n = 8, temos P = 0, 35969. Reveja o Exemplo 1.5.1 da Aula 1.
O resultado a seguir possui bastantes aplicacoes:
Teorema 2.2.7. (Bayes) Sejam A1 , ..., An eventos mutuamente exclusivos, cuja uni
ao e o espaco amostral S. Ent
ao,
se A e um evento qualquer de S
P (Ak |A) =
P (Ak A)
n P (A )P (A|A ) .
k=1
k
k
Exemplo 2.2.8. Tres m

aquinas A, B e C produzem respectivamente 40%, 50% e 10% de todas as pecas de uma
f
abrica. As porcentagens de pecas defeituosas produzidas pelas respectivas m
aquinas s
ao 3%, 5% e 2%. Uma peca e
sorteada ao acaso e verifica-se que e defeituosa. Qual a probabilidade de que a peca tenha vindo da m
aquina B?
Soluc
ao: Decorre imediatamente do Teorema de Bayes
P (B|Def ) =
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-
abilidade condicional. Trata-se de um diagrama explicitando todas as possibilidades de ocorrencia em um experimento

aleat
orio. Em seus galhos costuma-se colocar as probabilidades e em seus nos os eventos.
Exemplo 2.4.1. Apenas uma em cada dez pessoas de uma populac
ao tem certa doenca. Das pessoas que apresentam
essa doenca 80% reagem positivamente ao teste Y , equanto que 30% dos que n
ao tem tuberculose reagem positivamente.
Uma pessoa da populac
ao e selecionada ao acaso e o teste Y e aplicado. Qual a probabilidade de que essa pessoa tenha
tuberculose se reagiu positivamente ao teste?
Soluc
ao: De acordo com o problema temos o seguinte diagrama de
arvore (Figrua 2.1):
Figura 2.1: Diagrama de arvore.

De modo geral, percorremos os galhos multiplicando os respectiovos valores segundo a f
ormula:
P (T uberculos|Reacao P ositiva) =
=
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
...
Ocorre que nem sempre e f

acil sabermos o n
umero de combinac
oes (neste exemplo tratam-se de C25 = 10). Nestes
casos, uma alternativa seria usarmos o computador apenas para contar! A rotina a seguir (Figura 2.2), em Octave,
e capaz de estimar a probilidade procurada. Observe que o comando iffoi utilizado como contador, isto e, em cada
iterac
ao eleobservar
a a ocorrencia ou n
ao de um dado evento e, caso ocorra, um contador interno aumentar
a de
uma unidade. Ao final, temos apenas uma simples divis
ao entre casos favor
aveis (indicado por cont) e o total de
realizac
oes (indicado por N). Em particular, obtemos, testando 100000 grupos (de 5 indivduos cada) a estimativa
P = 0, 13073. Oberserve que este valor est
a bem pr
oximo do valor real P = 0, 1296.
Figura 2.2: Rotina em Octave - Problema do Tipo Sanguneo.

Com uma simples modificac
ao no programa tente resolver o seguinte problema:
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, 2; 0, 3; 0, 4 e 0, 1. Qual a probabilidade de que em 7 indivduos escolhidos ao acaso
haja dois do tipo A, tres do tipo B e dois do tipo AB.
Resposta Exata: 0, 005376.
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
De modo mais geral, a Definic

ao 3.2.1 pode ser reescrita como:
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
Figura 3.1: Grafico de Barras.
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
..
.
p(x1 ) + ... + p(xn )
, xn x <
Exemplo 3.2.6. Encontre a func

ao de distribuic
ao acumulada cuja tabela de distribuica
o de probabilidade e dada por:
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
Exerccio 3.3.1. Seja X a v.a. denotando o resultado obtido no lancamento de um dado.

a) Determine a func
ao de distribuica
o de probabilidade.
b) Determine a func
ao de distribuica
o acumulada.
c) Esboce os gr
aficos.
Exerccio 3.3.2. Sabendo que a func
ao de distribuica
o acumulada da v.a. X e dada por:
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
A seguinte rotina (Figura 3.2), em Octave, simula o n

umero de faces cara em n realizac
oes com r lancamentos cada.
Figura 3.2: Rotina em Octave - Moeda.

Por exemplo, 10 realizac
oes de 100 lancamentos cada est
ao expressos na Figura 3.3:
Figura 3.3: Moeda - Simulacao.

Qual o valor esperado de faces cara em 100 lancamentos de uma moeda? Sem o uso de v.a. aleat
orias seria f
acil
estimar o n
umero esperado de faces cara observados? No Captulo 5 voce conseguir
a obter o valor esperado de faces
cara!
18
3.4.1
Uso de Contadores em Simulaco

es Computacionais
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:
Figura 3.4: Rotina - Baralho.

Observe a presenca do laco:
while A == B;
b = rand;
B = floor(1+51*b);
end
Com isso evitamos que a mesma carta seja retirada mais de uma vez numa extrac
ao de duas cartas! Neste problema
as v.a.
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.
Figura 3.5: Simulacao - Baralho.

A estimativa e bastante pr
oxima do valor real:
P (A B) = P (A).P (B|A) =
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 à 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
Figura 3.6: Graficos no Excel.
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
Exemplo 4.1.5. Seja X uma v.a. contnua com a seguinte func

ao de probabilidade:
kx, 0 < x < 1

f (x) =
0,
do cont.
a) Determine o valor de k.

b) Calcule P 14 < x < 34 .
Soluc
ao: a) Como f (x) se trata de uma func
ao de probabilidade, temos:
Z
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
Analogamente ao caso, discreto, podemos definir F (X).

Defini
c
ao 4.1.7. A func
ao cumulativa, fcd, da v.a. aleat
oria contnua X e dada por
Z x
f (y)dy.
F (X) = P (X x) =

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
onde abusamos no uso de x. Calculando, temos:
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
Exerccio 4.2.1. Seja X uma v.a. contnua tal que:
0,
x0
Kx,
0 x < 500
f (x) =
K(100 x), 500 x < 1000
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
Winplot se apresenta como uma ferramenta bastante u

til quando conhecemos a funcao densidade de probabilidade
associada a um problema. Alem de apresentar o esboco da regiao ele costuma apresentar o valor da area correspondente
a` probabilidade.
Exemplo 4.3.1. A func
ao densidade de probabilidade da v.a. X e dada por:
4(x+1)
(+2ln(2))(x2 +1) , 0 < x < 1

f (x) =
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
Figura 4.1: Integracao Definida no Winplot.

Os diversos valores observados, variando entre 0, 35109 e 0, 3511, correspondem aos diversos metodos numericos
aplicados (o que n
ao vem ao caso discutir aqui). Uma boa estimativa para esta probabilidade e dada por 0, 35110. Os
passos para a obtenc
ao dos resultados est
ao expressos a seguir:
ao (defina adequadamente os intervalos); iii)
Passos: i) Clique em Equa; ii) Clique em y = f (x), insira a equac
Clique em Um; iv) Clique em Integrac
ao, insira os intervalos e escolha os metodos numericos de integrac
ao; v)
Clique em definida.
A internet disp
oe da plataforma Wolfram Alpha que faz praticamente tudo! Vejamos o exemplo a seguir no qual
determinamos o valor da constante k de modo que tenhamos uma funcao densidade de probabilidade.
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:

obtemos o seguinte valor de k (verifique):
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
no eixo x. Estudaremos tres das mais importantes, a media, a mediana e a moda.
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
Exemplo 5.1.2. Suponha um jogo disputado com um u

nico dado honesto, e que um jogador ganha R$ 20 se aparece 2,
R$ 40 se aparece 4, perde R$ 30 se aparece 6, e n
ao ganha nada se aparece qualquer outra face. Determine seu ganho
medio.
Soluc
ao: Tratando-se de um dado honesto, temos a seguinte tabepa de distribuic
ao:
xi
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.
Exemplo 5.1.7. Determine a mediana da v.a. X cuja distribuic

ao de probabilidade e dada por:
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 .
Neste caso, a mediana ser

a o menor valor a tal que F (a) > 0, 5, isto e,
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])
e 3 (faca as contas), temos que f ( 3) e o maior valor de f em [0, 3].
5.2
Exerccios
Exerccio 5.2.1. Uma v.a. X tem func

ao de distribuic
ao de probabilidade dada por:
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
Exerccio 5.2.2. Seja X uma v.a. com func

ao densidade de probabilidade dada por:
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
1, 067, b) M d = 4 2 2 1, 082, c) M o = 2 33 1, 155, d) Use o calculo diferencial
e confira com um software adequado.
5.3
No Computador
O computador se mostra uma ferramenta muito u
til na determinacao nao so de probabilidade como tambem das
medidas de posicao. Vejamos alguns exemplos:

Exemplo 5.3.1. Determine a media da v.a. referente ao jogo descrito no Exemplo 5.1.2.
Soluc
ao: A rotina a seguir simula, em Octave, a situac
ao para um n
umero n de jogadas.
Figura 5.1: Rotina em Octave - Jogo.
Exemplo 5.3.2. Determine a moda e a medianada da v.a. definida no Exemplo 5.1.11.

Soluc
ao: Utilizaremos novamente a plataforma Wolfram Alpha.
i) O c
alculo da mediana consiste em resulver a seguinte equac
ao:
Z Md
2
4x(9 x )
= 0, 5
81
0
28
Figura 5.2: Mediana - Wolfram Alpha.

Como estamos no intervalo [0, 3] o valor da mediana e dado por M d = 1, 62359.
ii) O c
alculo da moda tambem e bastante simples:
Figura 5.3: Mediana - Wolfram Alpha.

Diante do gr
afico, temos que o valor da moda e dado por M o =
29
3. Por que precisamos do gr

afico?
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
das medidas dispers

ao. Tais medidas s
ao utilizadas para avaliar o grau de variabilidade dos valores em torno da media.
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
)k P (xi ) v.a. discreta
(x )k f (x)dx v.a. contnua.
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 ) =
= E(X 2 ) E(2XX ) + E(2X ) =

= E(X 2 ) 2X E(X) + 2X =
= E(X 2 ) 2X X + 2X = E(X 2 ) 2X .
Temos portanto
2
X
= E(X 2 ) (E(X))2
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)
Exemplo 6.1.5. Determine a vari

ancia e o desvio-padr
ao das distribuic
oes X e Y a seguir e determine qual apresenta
valores mais dispersos em relac
ao a media:
xi
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
Sendo assim, percebemos que a v.a. Y apresenta maior dispers

ao relativa a
` media que a v.a. X.
31
Exemplo 6.1.6. Determine a vari

ancia e o desvio padr
ao da v.a. X cuja func
ao densidade de probabilidade e dada
por X cuja func
ao densindade e dada por:
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
=
V ar(X) = E(X 2 ) E(X)2 =

2
3
18
r
1
0, 236.
X =
18
6.2
Exerccios
Exerccio 6.2.1. Determine a vari

ao do n
umero de pontos que podem aparecer em uma jogada
de dados.
ao densidade
1 2 x 2
4
f (x) =
0
do cont.
Calcule a vari
ao de X.
ao de densidade
ex 2 x 2
f (x) =
0
do cont.
Determine a vari
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 à certas facilidades, como
por exemplo, o arraste de f

ormulas. Vejamos a seguir como calcular, no caso discreto, a media juntamente com a
vari
ao, tudo numa s
o planilha.
32
Figura 6.1: Media, Variancia e Desvio-Padrao - Excel.

Exemplo 6.3.1. Determine a media a vari
ao da v.a. X dada no Exemplo 6.1.5.
Soluc
ao: Observe a Figura 6.1.
Passos: i) Na coluna A digitamos os valores da v.a. X; ii) Na coluna B digitamos suas respectivas probabilidades; iii)
Na celula C2 inserimos a f
ormula = A2 B2e arrastamos ate a celula C7; iv) Na celula C8 inserimos a f
ormula
= soma(C2 : C7); v) Na celula D2 inserimos a f
ormula = A2 2 B2e arrastamos ate a celula D7; vi) Na celula
D8 inserimos a f
orumala = soma(D2 : D7); vii) Nas celulas E8, F 8 e G8 terminamos inserindo, respectivamente:
= C8 = D8 C8 2 = F 8 1/2.
Para o c
alculo da media e desvio padr
ao no caso em que temos uma v.a. contnua, pode-se usar a plataforma
Wolfram Alpha digitando exatamente a(s) integral(is) que se deseja calcular!
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
Trata-se de uma distribuic

ao de probabilidade adequada aos exeperimentos que apresentam apenas dois resultados
(sucesso ou fracasso).
Dizemos que uma vari
avel aleat
oria e de Bernoulli se tem distribuicao da forma:
X
x1 = 1 (sucesso)
x2 = 0 (fracasso)
p(x1 ) = p
p(x2 ) = 1 p
P (X)
Uma v.a. Bernoulli satisfaz as seguintes propriedades:

M
edia:
X =
1
X
P (Xi ) = 0.(1 p) + 1.p = p
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
Trata-se de uma generalizac

ao da distribuicao de Bernoulli. Suponhamos satisfeitas as seguintes hip
oteses:
1. n provas independentes e do mesmo tipo s
ao realizadas;
2. cada prova admite dois resultados - sucesso e fracasso;
3. a probabilidade de sucesso em cada prova e p e a de fracasso e 1 p.
Seja Y a v.a. que representa o n
umero de sucessos em n provas. Neste caso, Y = 0, 1, 2, . . . , ..., n. As provas
definidas desta forma recebem o nome de provas de Bernoulli. Temos portanto, a seguinte funcao de distribuic
ao de
probabilidade
P (Y = y) = Cnp = py (1 p)ny .
Uma v.a. Binomial satisfaz as seguintes propriedades:
M
edia:
Y = nX = n.p
onde X e a media de uma v.a. de Bernoulli.
Vari
ancia:
2
Y2 = nX
= np(1 p).
Exemplo 7.1.2. Em 100 jogadas de uma moeda, o n

umero esperado de caras e,
= 100
1
= 50
2
enquanto que o desvio padr

ao e
=
p
100 0, 5 0, 5 = 5.
Exemplo 7.1.3. Se 20% das pecas produzidas por uma m

aquina acusam defeito, determine a probabilidade de que,
em 4 pecas escolhidas ao acaso:
a) exatamente 1 apresente defeito.
b) n
ao seja verificado nenhum defeito.
c) pelo menos duas pecas sejam defeituosas.
Soluc
ao: Temos que:
a) P (X = 1) = C41 (0, 2)1 (0, 8)3 = 0, 4096.
b) P (X = 0) = C40 (0, 2)0 (0, 8)4 = 0, 4096.
c) Note que
P (X 2) = 1 P (X < 2) =
Mas
P (X < 2) = P (X = 0) + P (X + 1) = 0, 8192.
Assim,
P (X) = 1 P (X < 2) = 0, 1808.
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
Uma v.a. Multinomial satisfaz as seguintes propriedades:

M
edia:
xi = npi .
Vari
ancia:
xi = npi (1 pi ).
Exemplo 7.1.4. Um dado e lancado 10 vezes. Qual a probabilidade da face 5 aparecer duas vezes, a face 1 aparecer
tres vezes, a face 2 aparecer duas vezes e as demais uma vez?
Soluc
ao: Seja Xi representando o n
umero de vezes que ocorre a face i. Neste caso,
P (X1 = 3, X2 = 2, X3 = 1, X4 = 1, X5 = 2, X6 = 1) =
3 2 2
1
1
1
1
1
1
0, 0025.
6
6
6
6
6
6
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!
onde e uma constante positiva dada.

Exemplo 7.1.5. Se a probabilidade de um indivduo acusar reac
ao negativa `
a injec
ao de determinado soro e 0, 001.
Sabendo tratar-se de uma v.a. de Poisson, determine a probabilidade de que, em 2000 indivduos:
a) exatamente 3 acusem reac
ao negativa.
b) mais de dois acusarem reac
ao negativa.
Soluc
ao: Temos que = 2000 0, 001 = 2. Assim,
a) P (X = 3) =
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-
jamos algumas das distribuic

oes diponveis. O STATDISK e uma ferramenta que acompanha Triola Series Statistics
Textbooks.
7.3.1
Distribuic
ao Binomial no STATDISK
Dada uma distribuic

ao Binomial com par
ametro (n, p) o STATDISK apresenta nao so a media mas tambem exibe
na tela os valores p(0), p(1), ..., p(n).
Exemplo 7.3.1. Certo produto tem uma taxa de reconhecimento de marca de 95% ao redor do mundo. Supondo que
selecionemos aleatoriamente 10 pessoas, determine a probabilidade de mais que 4 pessoas reconhecam a marca.
Soluc
ao: Usando o STATDISK, temos:
Figura 7.1: Reconhecimento de marca - STATDISK
37
Com base na Figura 7.1

P (X > 4) = 1 P (X 4) = 1 F (4) = 1 0, 0473490 = 0, 952651.
Passos: i) Clique em Analysis; ii) Clique em Probability Distributions; iii) Clique em Binomial Distribution;
iv) Insira os par
ametros n e p.
7.3.2
Distribuic
ao de Poisson no STATDISK
Uma outra distribuic

ao de probabiliade discreta apresentada no STATDISK e a Poisson. Analogamente
a distribuic
ao anterior, temos os par
ametros, media, variancia e desvio-padrao exibidos na tela.
Exemplo 7.3.2. Suponha que 400 erros de impress
ao distribudos aleatoriamente em um livro de 500 p
aginas. Encontre a probabilidade de que uma dada p
agina:
a) n
ao contenha erros;
b) contenha exatamente 2 erros.
Soluc
ao: Observe que a media da distribuic
ao de Poisson e dada por =
400
500
= 0, 8 erros por p
agina. Inserindo os
dados no STATDISK, temos:
Figura 7.2: Erros de impressao - STATDISK

Observando a Figura 7.2, temos:
a) P (0) = 0, 44933
b) P (2) = 0, 14379
Passos: i) Clique em Analysis; ii) Clique em Probability Distributions; iii) Clique em Poisson Distribution;
iv) Insira o par
ametro .
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
escrita deve levar em conta o grau de precis

ao de sua medida.
Exemplo 8.1.1. Os valores obtidos em laborat
orio, referentes ao comprimento de certa haste met
alica foram precisamente:
medida1 = 12, 400 m e medida2 = 12, 4000 m
Observando superficialmente o Exemplo 8.1.1, nao parece haver qualquer diferenca entre as mediadas 12, 400 m e
12, 4000 . Contudo, as reescrevendo de maneira conveniente, temos:
medida1 = 1240, 0 cm e medida2 = 12400, 0 mm
Esta forma de escrever nos indica n
ao s
o algarismo duvidoso (o u
nico a direita da vrgula), mas tambem a precis
ao
do instrumento. Na primeira medida, o instrumento utilizado foi uma regua centimentrada, enquanto que na segunda
medida percebemos a utilizac
ao de uma regua milimetrada. Mais especificamente, temos que a medida 1 tem 4
algarismos significativos e a medida 2 tem 5 algarismos significativos.
Ao realizarmos algumas operac
oes com medidas devemos ter bastante cuidado a fim de nao aumentarmos (ou
diminuirmos) a precis
ao de uma medida de maneira incorreta.
Exemplo 8.1.2. Por exemplo, um terco de 20, 3 mm n
ao pode ser escrito como 6, 76666666 mm, mas sim como
6, 8 mm. Somos tentandos a escrever, digamos, da seguinte maneira 6, 77 mm para termos maior precis
ao (aparente).
Outro cuidado importante e quando estamos trabalhando com medidas vindas de instrumentos com precis
ao
diferente. Devemos sempre dar as respostas finais com tantos algarismos significativos quanto for o n
umero de algarismo
significativos da medida mais imprecisa.
Exemplo 8.1.3. Determine o comprimento de um fio de cobre composto de duas partes cujas medidas s
ao:
100, 2 cm e 2000, 3 mm
Soluc
ao: Antes de tudo, devemos ajustar as medidas para uma mesma unidade, digamos cm. Assim, temos
100, 2 cm e 200, 03 cm
Somando as medidas temos:
100, 2 cm + 200, 03 cm = 300, 23 cm
Contudo, a resposta final deve ser dada em cm visto que esta veio do instrumento de pior precis
ao, isto e, 300, 2 cm.
Observa
c
ao 8.1.4. Na maioria dos casos, evita-se arredondamentos que n
ao sejam nas respostas finais de um problema. Arredondamentos em cada etapa podem provocar in
umeros erros nos valores finais de um problema!
39
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
Exemplo 8.3.1. PADRAO:

Consideremos as medidas referente ao peso (massa em kg) de 30 integrantes, do sexo
masculino, de uma mesma famlia com idades variando de 50 a 70 anos.
65,2
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
o arranjo dos dados brutos em ordem crescente ou decrescente.

II. Rol: E
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
a diferenca entre o maior e o menor valor observados.

III. Amplitude Total ou Range(R): E
No exemplo, temos R = 78, 9 47, 0 = 31, 9 kg
o arranjo dos valores e suas respectivas frequencias.
IV. Frequ
encia Absoluta (Fi ): E
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
Contudo, sendo a v.a. em quest

ao contnua, devemos representa-la com dados organizados em classes da forma a ` b,
isto e, classes contendo valores maiores ou iguais a a (limite inferior da classe) e menores que b (limite superior classe).
Alem disso, esta forma de organizar os dados se mostrara bastante u
til nos casos em que o n
umero de elementos e
muito grande.
V. N
umero de Classes (K): N
ao h
a uma f
ormula exata para o n
umero de classes. Usaremos a formula de Sturges
K = [1 + 3, 22log(n)],
onde n e o tamanho da amostra e [A]e o menor inteiro maior que A.
K = [1 + 3, 22log(30)] = 6
o Tamanho das classes h = b a.
VI. Amplitude das Classes (h): E
h = [[R/K]],
onde [[A]] e a menor unidade inteira de medida (precisao) maior ou igual a A.
K = [31, 9/6] = [5, 316666...] = 5, 4
VII. Limites das Classes a ` b: Comeca-se sempre pelo menor elemento da amostra (rol) e ate que se tenha K
classes contrudas.
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
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
USE DURANTE AS PROVAS SE VOCE

PRETENDE USAR A TABELA PARA CALCULOS
PORTANTO, NAO
DISSO DEIXE CLARA A MUDANC

POSTERIORES, COMO DE MEDIA,
MODA, MEDIANA ETC. ALEM
A
COMO FEITO EM NEGRITO LOGO ACIMA.
8.4
Exerccios
Exerccio 8.4.1. As alturas, em metros, de 35 alunos de alunos de uma turma de educac

ao fsica s
ao dadas a seguir:
1,451
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
Exerccio 8.4.3. Considere tabela com as idades de 29 calouros de um curso superior:

Idade (anos)
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
Note que o valor 172, 0 foi contado na u

ltima classe. Na verdade isso sempre devera ocorrer quando h nao necessitar
de qualquer aproximac
ao para cima.
8.4.3. E(X) 23 ` 26,
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
Figura 8.1: Idade em turma de curso tecnico - Excel

LOG10(26); vi) Na celula F 5 coloque a f
ormula = IN T (F 3) + 1(n
ao usar se F 3 for inteiro); vii) Na celula G3
coloque a f
ormula = E3/F 5; viii) Na celula G5 coloque a f
ormula = IN T (G3) + 1(n
ao usar se G3 for inteiro).
Tabela
Passos: ix) Mescle as celulas I1, J1 K1 e escreva o ttulo da classe Idade; x) Na celula I2 insira valor do menor
dado observado; xi) Na celula K2 insira a f
ormula = I2 + $G$5e arrate ate a celula K7; xii) Na celula I3 insira
a f
ormula = K2e arraste ate a celula I7; xiii) Na coluna L coloque o ttulo Quantidade e faca a contagem dos
elementos.
Um usu
ario de Excel com um maior domnio desta ferramenta pode utilizar comandos ainda mais avancados, nos
quais, inserindo-se apenas os dados brutos, todos os demais passo s
ao autom
aticos, inclusive a contagem!
44
Captulo 9
Aula 9
9.1
Elementos da Tabela de Distribuic

ao e Representac
ao Gr
afica
de uma Amostra
Na aula anterior vimos os passos para se contruir uma tabela de distribuicao na qual os dados sao dispostos em
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 ,
isto e, ela representa a porcentagem de um
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.
Figura 9.1: Histograma

a representacao grafica por meio de uma linha poligonal (fechada) ligando os
XII. Polgono de Frequ
encia: E
pontos (xi , Fi ), onde xi s
ao os pontos medios das classes.

Observe que fechamos o polgono em 49, 7 5, 4 = 44, 3 (primeiro ponto medio -h) e 76, 7 + 5, 4 = 82, 1 (
ultimo
ponto medio +h).
a representacao grafica por meio de uma linha poligonal (aberta)
XIII. Polgono de Frequ
encia Acumulada: E
n
ao decrescente.
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:
Figura 9.4: Renda Familiar - Excel

Agora vejamos os passos para a complementac
ao da tabela com os itens pedidos. Consideremos a tabela de distribuic
ao de frequencia absoluta.
Ponto M
edio
Passos: i) Na celula G3 insira a f
ormula = (C2 + E2)/2e arraste ate a celula G8.
Frequ
encia Acumulada
Passos: iii) Na celula H3 insira a f
ormula = F 3; iv) Na celula H4 insira a f
ormula H3 + F 4e arraste ate a celula
48
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=
47, 0.4 + 48, 5.5 + 50, 5.3 + 52.4

= 49, 375
= 49, 4
4+5+3+4

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
50
Devemos completar a tabela acima encontrando os pontos medios das classes.

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
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 .
Exemplo 10.1.3. Determine a media geometrica dos dados:

Inf lacao (%)
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

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
Exerccio 10.2.1. Determine a media aritmetica das seguintes distribuic

oes.
Idade (anos)
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
Exerccio 10.2.2. Verifique o Teorema 10.1.8 em cada serie de dados a seguir:

a) 4
10
b) 1
c) 5
REPOSTAS:
24 anos,
10.2.1. x =
x
= 169, 9 kW h
10.2.2. Calcule cada uma das medias e escreva-as em uma desigualdade.
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 à 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
Octave: Escreva um vetor linha (por exemplo x = [1 3 5 6]) e use os comandos:

Media
F
ormula
Aritmetica
mean(x,a)
Geometrica
mean(x,g)
Harm
onica
mean(x,h)
54
Captulo 11
Aula 11
11.1
Quantis
Podemos dividir uma distribuic

ao (dados agrupados) de n elementos em m partes iguais, 1, 2, 3, .., i, ..., m, de tal
sorte que, em cada parte (intervalo) apresente uma mesma quantidade de elementos. A seguinte formula geral nos d
a
o iesimo elemento que serve de separac
ao em cada uma dessas partes.
P
in
F .h
Div(i) = lDiv(i) + m
FDiv(i)
onde,
?lDiv(i) e o limite inferior da classe associada a Div(i) (veja abaixo);
P
? F e a frequencia acumulada anterior
a classe associada a Div(i);
?h e a amplitude da classe associada a Div(i);
?FDiv(i) e a frequencia simples da classe associada a Div(i).
A aplicac
ao da f
ormula necessita de alguns passos:
Passo 1: Calcula-se
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
Exemplo 11.1.1. Considere a seguinte 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
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
= 15, que foi acumulado na terceira classe (terceira linha).
Assim,
?
x = lx +
?Q3 : Note que Q3 est

a associado ao valor
Q3 = lQ3 +
1.30
2
P
F .h
= 57, 8 +
Fx
= 62, 525 kg
= 62, 5 kg
3.30
4
= 22, 5 que foi acumulado na quarta classe (quarta linha). Assim,

P
3.30
F .h
4 16 .5, 4
= 63, 2 +
=
FQ3
7
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
= 21 que foi acumulado na quarta classe (quarta linha). Assim,

P
7.30
F .h
10 16 .5, 4
= 63, 2 +
=
FD7
7
= 67, 05714286 kg
= 67, 1 kg
11.2
Moda
Dentre as principais medidas de posic

ao, destaca-se a Moda.
Em uma distribuic
ao constando de dados nao agrupados a moda e o valor que mais aparece. Para o caso de uma
distribuic
ao de frequencia com dados agrupados em classes, costuma-se utilizar a formula de Czuber. Vejamos os
passos para a determinac
ao da Moda:
Passo 1: Identifica-se a classe modal, isto e, aquela que apresenta a maior frequencia.
Passo 2: Aplica-se a f
ormula:
56
Mo = l +
onde,
1
.h
1 + 2
? l e o limite inferior da classe modal.

? 1 corresponde `
a diferenca entre a frequencia da classe modal e a imediatamente anterior. Caso a classe modal seja
a primeira, considere que a frequencia da classe anterior como sendo 0.
? 2 corresponde `
a diferenca entre a frequencia da classe modal e a imediatamente posterior. Caso a classe modal
seja a u
ltima, considere que a frequencia da classe posterior como sendo 0.
? h Amplitude da classe modal.
Exemplo 11.2.1. Considere a seguinte 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
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
Exerccio 11.3.1. 1) Para cada uma das distribuic

oes determine a media aritmetica, a moda e a mediana.
Idade (anos)
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
Exerccio 11.3.2. A distribuic

ao a seguir representa o ganho salarial de trabalhadores de uma empresa.
Salario (R$)
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
Exerccio 11.3.3. A distribuic

ao a seguir representa o ganho salarial de trabalhadores de uma empresa na decada de
80 em U S$.
Salario (R$)
N. deEmpregados
80, 00 ` 180, 00
70
180, 00 ` 250, 00
140
250, 00 ` 300, 00
140
300, 00 ` 500, 00
60
Use os conceitos de densidade de classe para determinar a moda salarial.

REPOSTAS:
11.3.1. Item I: x = 23 anos,
Item II: x = 169, 6 cm,
M o = 21 anos
M o = 174, 8 cm anos
x
= 23 anos
x
= 171, 8 cm
11.3.2. R$ 1428, 57; R$ 1485, 71

11.3.3. U S$ 262, 15
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,
iv) o 85o percil,
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:
Figura 11.1: Quantis e Moda - Octave
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?
Das tres, talvez a menos representativa seja a moda. Contudo, esta e a u

nica medida de centro que pode ser
usada com dados no nvel nominal de mensuracao.
Por outro lado a media e a mediana s
ao mais utilizadas. vejamos as vantagens de cada uma:
? M
edia: A media e relativamente confi
avel, de modo que, quando se selecionam amostras de uma mesma populac
ao,
58
as medias amostrais observadas costumam n

ao variar tanto quanto as outras medidas de posicao. Uma outra vantagem
da media e que ela leva em conta os valores de todos os dados, contudo, ela e bastante sensvel a cada valor, de tal
forma que, a presenca de um valor extremo pode afeta-la consideravelmente.
? Mediana: Por outro lado, a mediana e uma medida de posicao resistente, porque nao se altera muito devido `
a
presenca de apenas alguns valores extremos.
59
Captulo 12
Aula 12
12.1
Medidas de Dispers
ao
Veremos agora as chamadas medidas de dispersao. Tais medidas sao bastante u

teis para se avaliar o grau de
variabilidade, ou dispers
ao, dos valores em torno da media. Servem para medir a representatividade da media.
Exemplo 12.1.1. Analisemos a nota de 3 alunos na disciplina Probabilidade e Estatstica durante o primeiro semestre
de 2015.
a) 7, 0,
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
Exemplo 12.1.4. Voltando ao Exemplo 12.1.1, temos:

a) DM =
b) DM =
c) DM =
|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
onde n representa o tamanho da amostra.

Note que a vari
ancia n
ao est
a na mesma unidade em que os dados, mas sim na unidade ao quadrado. Sendo assim, a
dispers
ao e geralmente associada ao desvio padrao, definido como sendo a raiz quadrada da variancia.
rP
d2i Fi
=
(populacional)
N
sP
d2i Fi
(amostral)
S=
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
quanto ao desvio padr

ao populacional Sa = 1 e Sb = 2. Neste caso, a distribuic
ao b) e mais dispersa que a distribuic
ao
a).
O mesmo problema parece ocorrer com o desvio padr
ao. Pois bem, vejamos:
Consideremos as populac
oes compostas por n
umeros reais.
a) 6
b) 5, 848612181
8
7, 5
7, 651387819
Note que ambas apresentam a mesma media 7 e o mesmo desvio padr

ao amostral a = b = 1. Mas o desvio medio
DMa =
2
3
e DMb = 3.100925213. Neste caso, a distribuic

ao b) e mais dispersa que a).
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)
Exemplo 12.1.7. Numa empresa, o sal

ario medio dos homens e de R$ 4000, 00, com desvio-padr
ao de R$ 1500, 00,
e o das mulheres e em media de R$ 3000, 00, com desvio-padr
ao de R$ 1200, 00. Em princpio, somos levados a crer
que h
a uma maior dispers
ao quanto ao sal
ario dos homens. Contudo,
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
a) Determine a media, a moda, a mediana e o desvio padr

ao (amostral).
b) Determine qual das famlias apresenta maior dispers
ao relativa quanto aos gastos.
62
c) Voce consegue estabelecer alguma relac

ao entre as medidas de posic
ao e o desvio padr
ao com base nos valores
calculados? Em qual caso as medidas de posic
ao s
ao mais representativas?
REPOSTAS:
12.2.1. a) Famlia 1: x = 157, 5, M o = 159, 0, x
= 161, 0, S = 15; Famlia 2: x = 158, 9, M o = 160, 6, x
= 161, 8,
= 165, 0, S = 19, 0
S = 11, 6; Famlia 3: x = 161, 7, M o = 160, 0, x
b) A famlia 3 com 11, 75%.
c) Observe que a m
axima diferenca entre as medidas de posicao ocorre exatamente na famlia 3, onde |M o x
| =
|160, 0 165, 0| = 5 que e justamente a famlia que apresentou maior variabilidade de gastos. A famlia 2, por sua vez,
apresenta uma m
axima diferenca menor, isto e |x x
| = |158, 9 161, 8| = 2, 9. Mas esta e justamente a famlia que
apresenta menor variabilidade nos gastos. Assim, somos levados a inferir que, em uma distribuicao onde a m
axima
diferenca entre as medidas de posic
ao e bastante grande que a dispersao sera grande em comparacao com outra onde
essa m
axima diferenca e pequena. Contudo, uma analise mais cuidadosa sera feita na proxima aula com as medidas
de assimetria e de curtose.
12.3
No Computador
Caso tenhamos os dados brutos, o c

alculo do desvio padrao se da de maneira bastante simples, podemos simplesmente usar o Octave ou outro softaware qualquer. Contudo, para dados agruapados em classes recomenda-se o uso do
Excel. Vejamos os dois casos:
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 o desvio padr
ao e o coeficiente de variac
ao.
Soluc
ao: No Octave usamos os comandos std(x, 0)para o c
alculo do desvio padr
ao amostral e std(x, 1) para o
c
alculo do desvio padr
ao populacional. O vetor x e inserido como no Exemplo 11.4.1. Por outro lado, o coeficiente de
variac
ao e feito com o comando std(x)/mean(x). Os resultados obtidos foram precisamente:
Figura 12.1: Desvio Padrao Para Dados Nao Agrupados - Octave
Exemplo 12.3.2. Determine o desvio padr

ao amostral dos dados:
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
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
Figura 12.2: Desvio Padrao Para Dados Agrupados - Excel

Passos: i) Na celula G12 inserimos a f
ormula = G9/E9; ii) Na celula H12 inserimos a f
ormula = (I9/(E9 1))
(1/2).
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.
Figura 13.1: Distribuicao Simetrica

Distribui
c
ao Assim
etrica Positiva ou `
a Direita: Ocorre quando temos M o < x
< x.
Figura 13.2: Distribuicao Assimetrica Positiva

Distribui
c
ao Assim
etrica Negativa ou `
a Esquerda: Ocorre quando temos x < x
< M o.
Figura 13.3: Distribuicao Assimetrica Negativa

Apresentaremos duas das v
arias f
ormulas para o calculo do coeficiente de assimetria, dentre elas sao u
teis:
1o Coeficiente de Pearson
AS =
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
Calcular os dois coeficientes de Pearson.

Soluc
ao: Ap
os muitas e muitas contas temos (confira),
Q1 = 51, 5,
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 =
levando-se em conta os dois coeficientes.
13.2
Medida de Curtose
Denomina-se curtose o grau de achatamente da distribuicao. Temos tres classificacoes.

Distribui
c
ao Mesoc
urtica: Trata-se de uma distribuicao nem chata, nem delgada.
Distribui
c
ao Leptoc
urtica: Trata-se de uma distribuicao delgada (afinada).
Distribui
c
ao Platic
urtica: Trata-se de uma distribuicao achatada.
Figura 13.4: Distribuicao Mesoc

urtica
66
Figura 13.5: Distribuicao Leptoc

urtica
Figura 13.6: Distribuicao Platic

urtica
Para medir o grau de curtose utiliza-se o coeficiente:
K=
Q3 Q1
2(P90 P10 )
Costuma-se usar os seguintes padr

oes de referencia (FONSECA&MARTINS, pg. 152, 1996):
Se K = 0, 263, diz-se que a curva correspondente à distribuicao de frequencia e mesoc
urtica.
Se K > 0, 263, diz-se que a curva correspondente à distribuicao de frequencia e platic
urtica.
Se K < 0, 263, diz-se que a curva correspondente à distribuicao de frequencia e leptoc
urtica.
Exemplo 13.2.1. Determine o tipo de curva correspondente
a distribuic
ao amostral.
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
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
Determine os coeficientes de assimetria e o coeficiente de curtose e caracterize cada distribuic

ao.
REPOSTAS:
13.3.1. Com alguns (muitos) c
alculos, temos:
Famlia 1:
Assimetria: AS =
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
Voce ja deve ter notado o qu

ao moroso e o calculo das medidas de assimetria e curtose manualmente. Usando o
Octave os c
alculos s
ao feitos em segundos! Vejamos alguns exemplos.
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 os tipos de assimetria/simetria e curtose.
Soluc
ao: No Octave usamos os comandos:
Assimetria:
1o Coeficiente de Pearson: (mean(x) mode(x))/std(x, 0);
2o Coeficiente de Pearson: (quantile(x, 0.25)+quantile(x, 0.75)2quantile(x, 0.5))/(quantile(x, 0.75)quantile(x, 0.25));
Curtose:
(quantile(x, 0.75) quantile(x, 0.25))/(2 (quantile(x, 0.90) quantile(x, 0.1))). Os resultados foram precisamente
os seguintes:
Figura 13.7: Assimetria e Curtose

Trata-se portanto de uma distribuic
ao Assimetrica Positiva e Leptoc
urtica.
Observa
c
ao 13.4.2. O Octave apresenta outras formas de c
alculo do tipo de assimetria/simetria e de curtose. Elas
s
ao dadas por:
Assimetria: AS =skewness(x)=
mean((xmean(x))3)
std(x)3
Se AS > 0 dizemos que a distribuic

ao tem assimetria positiva.
Se AS < 0 dizemos que a distribuic
ao tem assimetria negativa.
Se AS = 0 dizemos que a distribuic
ao e simetrica.
Curtose: K =kurtosis(x)=
mean((xmean(x))4)
std(x)4
Se k > 0 dizemos que a distribuic

ao e leptoc
urtica.
Se k < 0 dizemos que a distribuic
ao e platic
urtica.
Se k = 0 dizemos que a distribuic
ao e mesoc
urtica.
Em particular, no Exemplo 13.4.1, temos:
AS = 0, 22751 > 0 e K = 0, 3655 > 0.
Como obtido anteriormente temos uma distribuic
ao Assimetrica Positiva e Leptoc
urtica.
69
13.5
Erros: Tabelas vs Dados Brutos
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
Observe que as medidas de assimetria apresentaram erros significativos de forma a termos d

uvida quanto ao tipo de
simetria. Nestes casos, se dispomos dos dados brutos devemos optar por us
a-los para o c
alculo das medidas amostrais
ao inves de fazermos a tabela e depois os c
alculos. Contudo, a tabela mostra-se eficiente para uma an
alise r
apida ou
das medidas de posic
ao e dispers
ao, principalmente nos casos, onde a dispers
ao e baixa. Em particular, os comandos
(Octave) skewness(x)e kurtosis(x)nos fornecem:
AS = 0, 20479 > 0 e K = 2.6484 > 0.
Temos portando uma curva Assimetrica Positiva e Leptoc
urtica. O leitor, sempre que necess
ario, deve citar as referencias utilizadas a fim de evitar enganos na hora de uma comparac
ao ou classificac
ao quanto
as medidas de assimetria/simetria e curtose.
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
d) Usando o item a), temos:

F (Q1 ) =
1
Q1 45
1
= Q1 = 48, 75 libras
4
15
4
Analogamente, Q2 = 52, 5 libras e Q3 = 56, 25 libras.

Observa
c
ao 14.1.2. Observando o item c) do Exemplo 14.1.1 percebemos que
Q3 Q2 = Q2 Q1 = 3, 75.
Tente observar como a mediana, os quartis, decis e percis s
ao extremamente u
teis no reconhecimento de certos modelos.
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
Exemplo 14.2.1. Assuma que a durac

ao de uma chamada telef
onica (em minutos) e uma v.a. exponencial X com
media = 10 min. Se alguem chega a uma cabine telef
onica pouco antes de voce chegar.
a) Determine a probabilidade de que voce tenha que esperar por menos de 5 minutos;
b) Determine a probabilidade de que voce tenha que esperar entre 5 e 10 minutos.
c) Determine Q1 , Q2 e Q3 .
Soluc
ao:
a) A f cd da v.a. X e dada por
fX (x) =
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
c) Temos que a fcd e dada por
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
P (t 250) = 1 P (t < 250) = 1 (1 e 100 ) = e2,5 0, 0821.
14.3
Exerccios
Exerccio 14.3.1. Seja X distribuda uniformemente em [2, 2]. Determine:

b) P (|X 1| 2)
a) P (X < 1),
Exerccio 14.3.2. Dada uma distribuic

ao uniforme tpica com fdp
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)
14.3.3. a) 63, 21%

15.3.4. Dn =
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:
Figura 14.1: Rotina em Octave - Distribuicao Uniforme

Em particular, com 1000000 de iteraco
es obtemos:
Figura 14.2: Simulac

ao com 1000000 de realizacoes - Peso e Variancia de Pacotes dos Correios
Note que os valores encontrados est
ao muito pr
oximos dos valores exatos!
74
14.4.2
Simulac
ao Computacional da Distribuic
ao Exponencial
Assim como feito para a distribuic

ao uniforme no Octave, podemos gerar n
umeros de maneira aleatoria de maneira
que tenhamos uma distribuic
ao exponencial. Isso e feito por meio do comando exprnd()com conforme definido
anteriormente. Vejamos um exemplo.
Exemplo 14.4.2. Estime a soluc
ao do item a) do Exemplo 14.2.1.
Soluc
ao: Temos a seguinte rontina em Octave:
Figura 14.3: Rotina em Octave - Distribuicao Exponencial

Em particular, em 100000 de iterac
oes obtemos:
Figura 14.4: Simulac

ao com 100000 de realizacoes - Tempo de Permanencia em Cabine Telefonica
75
Captulo 15
Aula 15
15.1
Distribui
c
ao Normal de Gauss
Nesta parte abordaremos a distribuic

ao Normal de Gauss, considerada a distribuicao mais importante da probabilidade cuja aplicabilidade engloba uma serie de fenomenos.
Seja X uma v.a. contnua. Dizemos que X tem distribuicao normal se sua fdp e dada por:
f (x) =
1 x 2
1
e 2 ( ) ,
2
< x <
Seu gr
afico e dado por:
Figura 15.1: Distribuicao Normal

Contudo, a distribuic
ao de Gaus apresenta certa dificuldades no calculo de probabilidades, isto e, a integral
Z
P (a < x < b) =
f (x)dx =
a
1 x 2
1
e 2 ( ) dx
2
apresenta grandes dificuldades em seus c

alculos, sendo necessario a aplicacao de series.
15.2
Distribui
c
ao Normal Padr
ao
Seja Z uma v.a. tal que:

Zi =
Xi
em que X e uma v.a. normal com media e variancia 2 . Temos que

X
1
E(X) E(X)
E(Z) = E
= E(X ) =
=0

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:
Figura 15.2: Distribuicao Normal Padrao

Note que:
I) (z) e simetrica em relac
ao `
a origem.
II) (z) possui um m
aximo em z = 0. Neste caso,
(z = 0) = 0, 39.
III) (z) possui uma assntota horizontal, isto e,

limz (z) = 0.
IV) Possui inflex

oes em z = 1 e z = 1.
15.3
Uso da Tabela de Distribuic

ao Normal Padr
ao
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 )
Figura 15.3: Probabilidade à Direita.

Usando a simetria da distribuic
ao normal padrao podemos calcular probabilidades como
77
P (z1 < z < 0)
Figura 15.4: Probabilidade à Esquerda.
P (z1 < z < z2 )
Figura 15.5: Probabilidade Mista.
Exemplo 15.3.1. Determine as probabilidades:

a) P (0 < z < 1)
b) P (2, 55 < z < 1, 2)
c) P (z < 1, 93)
Soluc
ao: Em cada situac
ao precisamos de um desenho para facilitar. Depois utilizamos a tabela em anexo.
a)
Figura 15.6: Esquema referente ao item a)

Para se obter a probabilidade basta obtermos os valores correspondentes `
a abscissa de z na tabela em anexo. Assim,
temos
P (0 < z < 1) = 0, 3413
b) Analogamente,
P (2, 55 < z < 1, 2) = P (2, 55 < z < 0) + P (0 < z < 1, 2)
= P (0 < z < 2, 55) + P (0 < z < 1, 2) =
= 0, 3849 + 0, 4946 = 0, 8795
78
Figura 15.7: Esquema referente ao item b)

c) Analogamente,
Figura 15.8: Esquema referente ao item c)
P (z > 1, 93) = 0, 5 P (0 < z < 1, 93)

= 0, 5 0, 4732 = 0, 0268
Exemplo 15.3.2. Os pesos de alunos de uma determinada escola s
ao normalmente distribudas com media 48, 0 kg
e desvio padr
ao 7, 3 kg. Determine a probabilidade de um aluno medir:
a) entre 40, 0 e 60, 0 kg.
b) menos que 30, 0 ou mais que 65, 0 kg.
Soluc
ao:
a) Inicialmente devemos transferir o problema para a forma padr
ao z = 0 e z1 = 1. Isto e,
X
40, 0 48, 0
=
= 1, 10
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
b) Analogamente (faca o desenho e as contas), temos

P (x < 30, 0 ou x > 65, 0) = P (z < 2, 47 ou z > 2, 33) =
= P (z < 2, 47) + P (z > 2, 33) =
= (0, 5 P (0 < z < 2, 47)) + (0, 5 P (0 < z < 2, 33)) =
= 1 P (0 < z < 2, 47) P (0 < z < 2, 33) =
= 1 0, 4932 0, 4901 = 0, 0167
79
15.4
Exerccios
Exerccio 15.4.1. Seja z uma v.a. com distribuic

ao normal padronizada. Determine:
a) P (1, 48 < z < 2, 05)
b) P (z > 1, 08)
c) P (|z| < 0, 5)
d) P (|z| > 0, 3)
Exerccio 15.4.2. A durac
ao de um certo componente eletr
onico tem media 850 dias e desvio-padr
ao 45 dias. Supondo
tratar-se de uma distribuic
ao normal, determine:
a) a probabilidade de uma peca durar menos que 750 dias.
b) a duraca
o de tal sorte que este componente apresente uma probabilidade de defeito inferior a 10%. (Dica: Uma
margem de defeito baixa est
a ligada `
a uma durac
ao baixa.)
c) o mesmo que o anterior, porem, com uma probabilidade de defeito inferior a 1%.
REPOSTAS:
15.4.1. a) 0, 9104
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
Use x = 62, 8 e S = 10, 1.

Soluc
ao: Note que
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
a abscissa z = 0, 67, isto e

P (x < Q1 ) = P (z < 0, 67).
Usando a relac
ao entre Z e X, temos que
Q1 62, 8
Q1
= 0, 67
= 0, 67 Q1 = 57, 9
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 =
recorrer aos chamados testes de normalidade (Unidade 3).

Exerccio 15.5.2. Parte 1: Usando os quartis Q1 , Q2 e Q3 estime qual das distribuic
oes a seguir apresenta uma
curva mais pr
oxima da curva normal exata.
32,0
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
Parte 2: Pesquise sobre testes de normalidades e compare com as conclus

oes obtidas na Parte 1. (Unidade 3)
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:
Figura 15.9: Tabela de valores da distribuicao normal de faixa à direita.

O STATDISK nos fornece as mais diversas probabilidades laterais. Escolha a melhor maneira de obter o resultado
(0, 9104).
Passos: i) Click em Analysis; ii) Click em Probability Distributions; iii) Click em Normal Distribution; iv)
Insira o valor da abscissa z.
82
Figura 15.10: Tabela de valores da distribuicao normal de faixa à direita.
83
Captulo 16
Aula 16
16.1
Amostragem
Pesquisas estatsticas, em geral, s

ao realizadas estudando-se uma amostra extrada da populacao que se pretende
estudar. Fatores como tempo para a realizac
ao da pesquisa e seu custo tornam, na grande maioria das vezes, invi
avel
o estudo de toda a populac
ao. Contudo, pode-se ainda ter boa representatividade tomando-se parte da populac
ao
(amostra). Para tanto precisaremos observar:
a) O tamanho da amostra;
b) A composic
ao da Amostra.
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
Exemplo 16.1.1. Suponha que a vari

avel escolhida num estudo seja o peso de certa peca. Pelas especificac
oes do
produto, o desvio-padr
ao e de 10 kg. Admitindo um erro amostral de 1, 5 kg, determine o tamanho populacional:
a) considerando uma populac
ao infinita e um nvel de confianca de 95, 5%;
b) considerando uma populac
ao finita de 600 peca e um nvel de confianca de 95, 5%;
c) considerando uma populac
ao infinita e um nvel de confianca de 99%;
d) considerando uma populac
ao finita e um nvel de confianca de 99%;
Soluc
ao:

2
a) n = 2.10
= 178
1,5
b) n =
c) n =
d) n =
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=
Exemplo 16.1.3. Suponha que a vari

avel escolhida num estudo seja a proporc
ao de eleitores favor
aveis ao candidato
X. Admita a populac
ao infinita e que se deseje um nvel de confianca de 99% e um erro amostral de 2%. Determine
o tamanho amostral:
a) admitindo uma populac
ao infinita e que o investigador suspeite que a porcentagem de eleitores favor
aveis seja de
30%.
b) admitindo uma populac
ao finita de 20000 eleitores e que o investigador suspeite que a porcentagem de eleitores
favor
aveis seja de 30%.
c) admitindo uma populac
ao infinita e que o investigador n
ao
tenha qualquer informac

ao
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
Imagine que tres seja o n

umero sorteado entre 1 e 5. Portanto, os elementos da populac
ao numerados por 3, 8, 18,
..., 998 ir
ao compor a amostra.
? Amostragem Estratificada: Subdividimos a populacao, em pelo menos dois subgrupos (ou estratos), de modo que
sujeitos no mesmo subgrupo compartilhem as mesmas caractersticas e, em seguida, extramos uma amostra aleat
oria
86
simples de cada subgrupo. As vari

aveis de estratificacao mais comuns sao: classe social, idade, sexo, profiss
ao ... ou
qualquer outro atributo que revele os estratos dentro da populacao.
? Amostragem por Conglomerado: Primeiro dividimos a area da populacao em secoes (ou conglomerados),
depois selecionamos aleatoriamente alguns desses conglomerados e, a seguir, escolhemos todos os membros desses
conglomerados selecionados.
Exemplo 16.1.7. Num levantamento da populac
ao de uma cidade, podemos dispor do mapa indicando cada quarteir
ao
e n
ao dispor de uma relac
ao atualizada dos seus moradores. Pode-se, ent
ao, escolher uma amostra dos quarteir
oes e
fazer uma contagem completa de todos os que residem naqueles quarteir
oes sorteados.
f
Observa
c
ao 16.1.8. E
acil confundir amostragem estratificada com a amostragem por conglomerado uma vez que
ambas envolvem a formac
ao de subgrupos da populac
ao. Porem, a amostragem por conglomerado usa todos os membros
de uma amostra de conglomerados, equanto que a amostragem estratificada usa uma amostra de membros de todos os
extratos. Para maiores detalhes veja o Exemplo 3 (TRIOLA, 2013, pg.23).
16.2
Exerccios
Exerccio 16.2.1. Dada a seguinte populac

ao (renda em $ 1000)
29 06 34 12 15 31 34 20 08 30
08 15 24 22 35 31 25 26 20 10
30 04 16 21 14 21 16 18 20 12
31 20 12 18 12 25 26 13 10 05
13 19 30 17 25 29 25 28 32 15
10 21 18 07 16 14 11 22 21 36
32 17 15 13 08 12 23 25 13 21
05 12 32 21 10 30 30 10 14 17
34 22 30 48 19 12 08 07 15 20
26 25 22 30 33 14 17 13 10 09
a) Calcule o tamanho de uma amostra para se estimar a media, sendo d = $ 2000, = 7000 e 1 = 95%;
b) Retire uma amostra aleat
oria simples considerando o tamanho obtido no item a);
c) Agrupe os elementos da amostra em classe;
d) Calule sua media;
e) Calcule o desvio-padr
ao amostral;
f ) Calcule a media da populac
ao e verifique se | x| < d. g) Repita os itens b), c), d), e) e f ) considerando uma
outra amostra simples.
Exerccio 16.2.2. A Internet est
a nos afetando de muitas maneiras diferentes, de modo que h
a in
umeras raz
oes para
se estimar a proporca
o de adultos que a usam. Suponha que o gerente de uma E-Bay deseje determinar a porcentagem
atual de adultos dos Estados Unidos que usam a Internet. Quantos adultos devem ser entrevistados apara se ter 95%
de confianca em que a porcentagem amostral esteja em erro n
ao superior a tres pontos percentuais (d = 3% = 0, 03)?
a) Use o resultado de uma pesquisa do Pew Research Center: Em 2006, 73% dos adultos americanos usavam Internet.
b) Suponha que n
ao tenhamos nenhuma informac
ao previa que sugira um possvel valor da proporc
ao.
87
Exerccio 16.2.3. Suponha que desejamos estimar o QI medio para a populac

ao de estudantes de estatstica. Quantos
estudantes de estatstica devem ser selecionados aleatoriamente para os testes de QI, se desejamos estar 95% confiantes
em que a media amostral estar
a a menos de tres pontos do QI media populacional (d = 3)? Assuma que o desvio
padr
ao populacional seja = 15 (TRIOLA, 2013, pg. 284-285).
REPOSTAS:
16.2.1. a) n = 34
b) Partindo da terceira linha da tabela de dgitos aleatorios (FONSECA, 1996, pg. 318) e considerando os itens do
exerccio sendo postos na ordem
29 primeiro, 06 segundo, ...
temos a seguinte amostra (confira):
12 15 30 15 14 20 12 12 13 10 05 30 28 18 07 16 14
36 17 12 13 12 34 22 30 19 07 15 30 33 14 13 10 09
c)
Classe
Fi
05| 11
11| 17
15
17| 23
23| 29
29| 35
35| 41
d) x 18, 1 (com base na tabela)

e) S 8, 7 (com base na tabela)
f) = 19, 6 |18, 1 19, 6| = 1, 5 < 2
g) m
aos a obra!!!
16.2.2. a) 842
b) 1068
16.2.3. amostra composta por 97 estudante entre os milhares de estudantes de estatstica.
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
Figura 16.1: Rotina Para Sorteio de Amostra Aleatoria e Estimadores - Octave.
89
Figura 16.2: Amostra Aleatoria e Estimadores - Octave.

Use o programa novamente para verificar se sempre temos | x| d.
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
Intervalo de Confianca Para a M

edia Quando a Vari
ancia 2
e Conhecida
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=
Segundo um nvel de confianca de 1 , temos:
Figura 17.1: IC para a media com variancia 2 conhecida.

o que equivale a

P Z 2 Z Z 2 = 1
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
Exemplo 17.1.2. A durac

ao media de uma l
ampada de certo fabricante em = 30 h. Foram amostradas 100 dessas
pecas obtendo-se uma durac
ao media de 4000 h. Deseja-se construir um intervalo de confianca para a verdadeira
media:
a) ao nvel de 95% considerando a populac
ao infinita.
b) ao nvel de 99% considerando a populac
ao infinita.
c) ao nvel de 95% considerando uma populac
ao finita de 12000 l
ampadas (produc
ao ate que uma dada m
aquina passe
por revis
ao).
Soluc
ao: a)
P

30
30
4000 + 1, 96
= 95%
4000 1, 96
100
100
P (3994, 12 4005, 88) = 95%
Podemos concluir que o intervalo

[3994, 12; 4005, 88]
contem a verdadeira media com 95% de confianca.
b)

30
30
P 4000 2, 57
4000 + 2, 57
= 99%
100
100
P ( ) = 99%
[3992, 29; 4007, 71]
c) Calculando
Z 2
n
N n
N 1
obtemos 5, 8557 e portanto,

P (4000 5, 8557 4000 + 5, 8557) = 95%
P (3994, 14 4005, 86) = 95%
[3994, 14; 4005, 86]
92
17.1.2
Intervalo de Confianca Para a M

edia Quando a Vari
ancia 2
e Desconhecida
Tratando-se de amostra retirada de uma populacao normal, contudo, desconhecendo-se a variancia populacional
2
, pode-se mostrar que a vari

avel padronizada x tera distribuicao t de Student com (n 1) graus de liberdade:
t=
x
S
n
Figura 17.2: IC para a media com variancia 2 desconhecida.

Analogamente ao que foi feito anteriormente, para populacoes infinitas, temos

S
S
=1
P x t 2 x + t 2
n
n
e para populac
oes finitas
P
S
x t 2
n
N n
S
x + t 2
N 1
n
N n
N 1
!
=1
Exemplo 17.1.3. A amostra

6, 6, 7, 8, 9, 9, 9, 10, 11, 12
foi extrada de uma populaca
o normal. Construa um intervalo de confianca para a media ao nvel de 99%.
Soluc
ao: Usando uma calculadora cientfica, obtemos x = 8, 7 e S 2. Buscando o valor de t(; ) = t(9; 99%) na
tabela da distribuic
ao t, obtemos: t(9; 99%) = 3, 2498. Assim,
2
2
P (8, 7 3, 2498 8, 7 + 3, 2498 ) = 99%
10
10
P (6, 64 10, 76)
[6, 64; 10, 76]
17.2
Exerccios
Exerccio 17.2.1. A medida dos di

ametros de uma amostra aleat
oria de 200 mancais fabricados por determinada
m
aquina durante uma semana acusa media 0, 824 cm e desvio-padr
ao 0, 042 cm. Determine intervalos de confianca
para a media ao nvel de a) 95% e b) 99%.
Exerccio 17.2.2. Ao medir um tempo de reac
ao, um psic
ologo estima o desvio-padr
ao em 0, 05 segundos. Qual o
tamanho de uma amostra de medidas que ele deve tomar a fim de que possa ter a) 95% e b) 99% de confianca e que
o erro de sua estimativa de tempo medio de reac
ao n
ao supere 0, 01 segundos?
93
Exerccio 17.2.3. De um total de 200 notas em matem

atica, uma amostra aleat
oria de 50 notas acusa media de 75 e
desvio-padr
ao de 10. a) Quais os limites de confianca de 95% para estimar a media das 200 notas? b) Com que grau
de confianca poderamos afirmar que a media das 200 notas e 75 1?
Exerccio 17.2.4. Uma amostra de 10 medidas do di
ametro de uma esfera acusa media de x = 4, 38 cm e desviopadr
ao s = 0, 06 cm. Determine os limites de confi
anca de a) 95% e b) 99%.
Exerccio 17.2.5. 12 medidas da resitencia de fios de algod
ao acusam media de 7, 38 oz e desvio-padr
ao de 1, 24 oz.
Determine limites de confianca a) de 95% e b) 99% para a resitencia media efetiva.
REPOSTAS:
17.2.1. a) [0, 818; 0, 830]
17.2.2. a) 97
b) 167;
17.2.3. a) [72, 6; 77, 4]

17.2.4. a) [4, 335; 4, 425]
17.2.5. a) [6, 56; 8, 20]
17.3
b) [0, 816; 0, 832];

b) 58, 2%;
[4, 315; 4, 445];
b) [6, 22; 8, 54]
No Computador
O Excel e bastante util na obtenc

ao de intervalos de confianca.
Exemplo 17.3.1. A durac
ao de vida de uma peca de equipamento e tal que = 5 horas. Foram amostradas 100
dessas pecas obtendo-se a media de 500 horas. Deseja-se construir um intervalo de confianca para a verdadeira durac
ao
media da peca com um nvel de 95%.
Soluc
ao: Usando o comando IN T.CON F IAN C
A.N ORM do Excel, obtemos:
Figura 17.3: IC para a media com variancia 2 conhecida - Excel.

Passos: i) Insira o tamanho amostral, o desvio padr
ao populacional, a media aritmetica amostral e o nvel de confianca
respectivamente nas celulas A2, B2, C2 e D2; ii) Na celula F 4 insira a f
ormula
= C2 IN T.CON F IAN C
A.N ORM (D2; B2; A2);
iii) Na celula H4 insira a f
ormula
= C2 + IN T.CON F IAN C
A.N ORM (D2; B2; A2);
94
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:

ao amostral, a media aritmetica amostral e o nvel de confianca
Passos: i) Insira o tamanho amostral, o desvio padr
respectivamente nas celulas A2, B2, C2 e D2; ii) Na celula F 4 insira a f
ormula
= C2 IN T.CON F IAN C
A.T (D2; B2; A2);
ormula
= C2 + IN T.CON F IAN C
A.T (D2; B2; A2);
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
Intervalo de Confianca Para a Vari

ancia
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
Temos os seguintes intervalos de confianca:

(n 1)S 2
(n 1)S 2
2
P

=1
2
21
e para populac
oes finitas

P
(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
Exemplo 18.1.1. A amostra

6, 6, 7, 8, 9, 9, 9, 10, 11, 12
foi extrada de uma populac
ao normal. Construa um intervalo de confianca para a vari
ao ao
nvel de 99%.
Soluc
ao: Temos que S 2 4 e que 2 (9; 0, 005) = 23, 6 e 2 (9; 0, 995) = 1, 73 (Valores de divididos por 2 devido `
a
tabela ser unilateral). Assim,

P
9.4
9.4
2
23, 6
1, 73

= 99%
P (1, 53 2 20, 81) = 99%

e
P (1, 24 4, 56) = 99%
Podemos concluir que os intervalos
[1, 53; 20, 81] e [1, 24; 4, 56]
contem a verdadeira vari
ancia e o verdadeiro desvio-padr
ao, respectivamente, com 99% de confianca.
18.1.2
Intervalo de Confianca Para a Proporc

ao ou Probabilidade
O estimador da verdadeira probabilidade p e dado por f . Neste caso, sabe-se que:

Populacoes Infinitas
p.q
f =d N p;
n
Populacoes Finitas

p.q N n
d
f = N p;
n n1
Para o caso de populac
oes infinitas a vari
avel padronizada de f e dada por:
f p
Z = p p.q
n
Fixando-se o nvel de confianca 1 mostra-se que:

r
r

p.q
p.q
P f Z 2
p f Z 2
=1
n
n
Analogamente, para populac

oes finitas, temos:
!
r
r
p.q N n
p.q N n
P f Z2
p f Z2
=1
n n1
n n1
97
Exemplo 18.1.2. Extraindo-se 500 pecas dde uma grande produc

ao encontrou-se 260 defeituosas. No nvel de 90%
constuir um intervalo de confianca paraqa verdadeira proporc
ao de pecas defeituosas.
0,52(10,52)
260
Soluc
ao: Temos que f = 500 = 0, 52 e
= 0, 0223. Assim,
500
P (0, 52 1, 64.0, 0223 p 0, 52 + 1, 64.0, 0223) = 90%
P (0, 483 p 0, 557) = 90%
[0, 483; 0, 557]
contem a verdadeira porcentagem (ou proporc
ao) de pecas defeituosas com 90% de confianca.
18.2
Exerccios
Exerccio 18.2.1. A operac

ao adequada de eletrodometicos tpicos exige nveis de voltagem que n
ao variem muito. A
seguir, est
ao listados dez nveis de voltagem (em volts) registrados em certa casa em dez dias diferentes:
123, 3 123, 5 123, 7 123, 4 123, 6
123, 5 123, 5 123, 4 123, 6 123, 8
Use os dados amostrais para construir um intervalo de confianca de 95% para o desvio-padr
ao de todos o nveis de
voltagem.
Exerccio 18.2.2. Uma pesquisa feita com 1501 adultos selecionados aleatoriamente mostrou que 70% dos respondentes acreditam no aquecimento global. Ache o intervalo de confianca de 95% para a proporc
ao populacional p.
REPOSTAS:
18.2.1. [0, 10; 0, 27]
18.2.2. [0, 677; 0, 723]
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);
ormula
= ((A2 1) B2)/IN V.QU IQU A(D2; A2 1).
98
Figura 18.1: IC para a variancia 2 - Excel.

Exemplo 18.3.2. Jogou-se uma moeda 500 vezes obtendo-se 260 faces cara. No nvel de confianca de 90% construir
um intervalo de confianca para a verdadeira proporca
o de pecas defeituosas.
Soluc
ao: Usando o comando IN V.N ORM P.N do Excel, obtemos:
Figura 18.2: IC para a proporcao p - Excel.

Passos: i) Insira o tamanho amostral, a proporc
ao e respectivamente nas celulas A2, B2 e C2; ii) Na celula F 4
insira a f
ormula
= B2 IN V.N ORM P.N (1 C2/2) RAIZ((B2 (1 B2))/A2);
ormula
= B2 + IN V.N ORM P.N (1 C2/2) RAIZ((B2 (1 B2))/A2).
99
Captulo 19
Aula 19
19.1
Teste de Hip
otese
O uso dos testes de hip

otese nos permitirao fazer inferencias quanto ao valor de uma dada variavel aleat
oria,
isto e, a partir de dados amostrais, pode-se inferir sobre a populacao. Para tanto, formula-se-a um hipotese sobre o
verdadeiro valor de um par
ametro populacional, e pelos elementos amostrais faz-se um teste que indicara a aceitac
ao
ou rejeic
ao da hip
otese formulada.
Designa-se por H0 , chamada hip
otese nula, a hipotese estatstica a ser testada, e por H1 a hipotese alternativa. A
hip
otese nula expressa uma igualdade, enquanto a hipotese alternativa e dada por uma desigualdade. Os tres tipos de
hip
otese s
ao:
I)
H0 : = y
Teste Bicaudal
H1 : 6= y
II)
III)
H0 : = y
Teste Unicaudal
H1 : > y
(à direita)
H0 : = y
Teste Unicaudal
H1 : < y
(à esquerda)
100
Exemplo 19.1.1. A proporca

o de mineiros que gostam de p
ao de queijo e 85%, ou seja:
H0 : p = 0, 85
H1 : p > 0, 85
Note que a hip
otese H1 fica sendo a alternativa caso rejeitemos H0 . Poderamos, por outro lado, formular uma
hip
otese H1 diferente. Neste caso, o investigador deve ter tido elementos para acreditar que certamente rejeitando que
a verdadeira proporc
ao deva ser maior qu 85%.
19.2
Erros em Testes de Hip

otese
Ao testarmos uma hip

otese nula, chegamos a uma conclusao que pode ser, rejeita-la ou aceita-la. Tais conclus
oes
s
ao `
as vezes corretas e `
as vezes erradas, mesmo que tudo os procedimentos (mostrados a seguir) sejam feitos de maneira
correta. Detacaremos os dois tipos de erros chamados erros do tipo I e do tipo II.
? Erro do Tipo I: O erro de rejeitar a hip
otese nula quando ela e, de fato, verdadeira. O valor de signific
ancia e
usado para representar a probabilidade de um erro do tipo I.
? Erro do Tipo II: O erro de aceitar a hipotese nula quando ela e falsa. O valor e usado para representar a
probabilidade de um erro do tipo II.
Os erros do tipo I e do tipo II est
ao inteiramente ligados. Contudo, controla-los, em especial o erro do tipo II
n
ao e tarefa f
acil. De modo geral, quanto maior o valor amostral n menores sao as chances de cometermos tais erros.
Para mais informac
oes consulte (FONSECA&MARTINS, p. 199-206, 1996).
Na verdade, formulamos a hip
otese nula com um u
nico fim de rejeita-la. Esta e a atitude mais confi
avel. Por
exemplo, se queremos decidir se determinada moeda e viciada, formulamos a hipotese de que a moeda e verdadeira,
isto e, p = 0, 5 (onde p e a probabilidade de cara).
Mas porque a atitude de rejeitar a hip
otese nula e mais confiavel do que atitude de aceita-la? Simples, se por
exemplo, a escolha de uma amostra aleat
oria, digamos, ao nvel de 0, 05 indicar a rejeicao de uma hip
otese nula
teramos apenas 5% de chances de estarmos comentendo um erro do tipo I, se esta fosse verdadeira.
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
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]
tcal =
x
S
n
7750 8000
145
= 4, 22.
Note que 4, 22
19.4
Exerccios
Exerccio 19.4.1. No passado, determinada m

aquina produziu arruelas de espessura media de 0, 05 pols. A fim de
verificar se a m
aquina ainda est
a em boas condic
oes, toma-se uma amostra de 10 arruelas, cuja espessura media e
de 0, 053 pols, com desvio padr
ao de 0, 003 pols. Teste a hip
otese de que a m
aquina ainda est
a em boas condic
oes,
utilizando nvel de signific
ancia a) de 0, 05. Use o teste bilateral e use o teste unilateral `
a direita.
Exerccio 19.4.2. Resolva novamente o Exerccio 19.4.1 usando usando o teste bilateral e considerando um nvel de
signific
ancia de 0, 01. Compare os resultados e argumente sobre a decis
ao correta em caso de divergencia.
Exerccio 19.4.3. Os dois registros dos u
ltimos anos de um colegio, atestam para os calouros uma nota media 115
(teste vocacional). Para testar a hip
otese de que a media de uma nova turma e a mesma, tirou-se, ao acaso, uma
amostra de 20 notas, obtendo-se media 118 e desvio-padr
ao 20. Admitindo = 0, 05, efetue um teste bilateral.
RESPOSTAS: 19.4.1 a) Teste Bilateral: RA = [2, 2622; 2, 2622], tcal = 3, 1622 Rejeita-se H0 ao nvel de signific
ancia de 0, 05.
Teste Unilateral: RA = (; 1, 8331], tcal = 3, 1622 Rejeita-se H0 ao nvel de significancia de 0, 05.
19.4.2 RA = [3, 2498; 3, 2498], tcal = 3, 1622 Aceita-se H0 significancia de 0, 01; Note que o teste bilateral apresentou resultados diferentes quando consideramos os nveis 0, 05 (rejeitando-se H0 ) e 0, 01 (aceitando-se H0 ). Seria
aconselh
avel proceder a uma verificac
ao na m
aquina ou, pelo menos, tomar outra amostra.
19.4.3 RA = [2, 0930; 20, 930], tcal = 0, 67 Aceita-se H0 ao nvel de significancia de 0, 05.
102
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.
Figura 19.2: Teste de hipotese para a media - Excel.

i) Insira o tamanho amostral, a media a ser testada, a media aritmetica amostral, o desvio padr
ao amostral e o nvel
de confianca respectivamente nas celulas A2, B2, C2, D2 e E2;
ii) Na celula B5 insira a f
ormula = (C2 B2)/(D2/RAIZ(A2))
iii) Nas celulas H5 e J5 insira as f
ormulas
= IN V.T (E2/2; A2 1) e = IN V.T (1 E2/2; A2 1)
respectivamente.
iv) Na celula J6 insira a f
ormula
= IN V.T (1 E2; A2 1)
v) Na celula H7 insira a f
ormula
= IN V.T (E2; A2 1)
vi) Nas celulas M 5, M 6 e M 7 insira as f
ormulas
= SE(E(H5 <= B5; B5 <= J5); Aceita seH0; Rejeita seH0)
= SE(B5 <= J6; Aceita se H0; Rejeita se H0)
= SE(H7 <= B5; Aceita se H0; Rejeita se H0)
respectivamente.
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
Exemplo 20.1.1. Para testar a hip

otese de que a vari
ancia de uma populac
ao e 25, tirou-se uma amostra aleat
oria
de 25 elementos obtendo-se S 2 = 18, 3. Admitindo-se = 0, 1, efetuar o teste ao nvel de signific
ancia unicaudal `
a
esquerda.
Soluc
ao: Temos as seguintes hip
oteses:
H0 : = 25
H1 : 2 < 25
A nossa regi
ao de aceitac
ao observando-se a tabela 2 e:
vinf (; ) = vc (0, 01; 24) = vc (0, 90; 24) = 15, 7 RA = [15, 7; +).
Por outro lado,
2cal =
(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
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
Por outro lado,

2cal =
(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
Escolhemos, no item 2, a vari

avel teste como sendo a normal padrao Z. No item 3 determinemos as regi
oes de
aceitac
ao e e rejeic
ao, obtendo os valores crticos vc () = z 2 (teste bilateral) e vc () = z (teste unilateral). Neste
caso, a vari
avel de teste, zcal , exigida no item 4 sera dada por:
f p0
Zcal = q
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
ate os 60 anos e de 0, 6. Use um teste bilateral para testar a hip

otese ao nvel de 5% se em 1000 nascimentos amostrados
aleatoriamente, verificou-se 530 sobreviventes ate 60 anos.
Soluc
oses:
H0 : p = 0, 6
H1 : 6= 0, 6
A nossa regi
ao de aceitac
ao observando-se a tabela Z e:
vc () = vc (0, 05) = 1, 96 RA = [1, 96; 1, 96]
f p0
Zcal = q
p0 (1p0 )
n
0, 53 0, 6
=q
= 4, 42.
0,6(10,6)
1000
Note que 4, 42
20.2
Exerccios
Exerccio 20.2.1. No passado, o desvio padr

ao dos pesos de pacotes de 40, 0 oncas enchidas por determinada m
aquina
foi de 0, 25 oncas. Extrai-se uma amostra de 20 pacotes, que acusam desvio padr
ao de 0, 32 oncas. Use o teste unilateral
`
a direita para e determine se o aumento aparente de variabilidade e significativo ao nvel de 0, 01?
Exerccio 20.2.2. Lanca-se uma moeda 100 vezes e obtem-se 60 caras. Use o teste bilateral para testar ao nvel de
10% a hip
otese de que a moeda e honesta.
RESPOSTAS:
20.2.1 RA = (; 36, 2), 2cal = 31, 1296 Nao se pode rejeitar H0 ao nvel de significancia de 0, 01.
20.2.1 RA = [1, 96; 1, 96], Zcal = 2 Rejeita-se H0 ao nvel de significancia de 0, 05.
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
Exemplo 20.3.1. Um laborat

orio fez oito determinac
oes da quantidade de impurezas em porc
oes de certo composto
obtendo vari
ancia amostral de 0, 07. Teste a hip
otese H0 : 2 = 1 conta H1 : sigma2 < 1 considerando uma
signific
ancia de 0, 1.
Soluc
ao: Usando o comando IN V.QU IQU Ado Excel apresentamos uma rotina que faz todos os testes, bilateral,
unilateral direito e unilateral esquerdo.

i) Insira o tamanho amostral, a vari
ancia a ser testada, a vari
ancia amostral e o nvel de confianca respectivamente
nas celulas A2, B2, C2 e D2;
ormula = ((A2 1) C2)/(B2)
ormulas
= IN V.QU IQU A(D2/2; A2 1) e = IN V.QU IQU A(1 D2/2; A2 1)
respectivamente.
ormula
= IN V.QU IQU A(1 D2; A2 1)
ormula
== IN V.QU IQU A(D2; A2 1)
ormulas
respectivamente.
Exemplo 20.3.2. Uma pesquisa revelou que das 500 donas de casas consultadas, 300 preferiam o detergente A. Testar
a hip
otese ao nvel de 0, 04 para H0 : p = 0, 5 contra p 6= 0, 5.
Soluc
ao: Usando o comando IN V.N ORM P.N do Excel apresentamos uma rotina que faz todos os testes, bilateral,
unilateral direito e unilateral esquerdo.
i) Insira o tamanho amostral, a proporc
ao a ser testada, a proporc
ao amostral e o nvel de confianca respectivamente
nas celulas A2, B2, C2 e D2;
106

ormula = (C2 B2)/RAIZ((B2 (1 B2))/A2)
ormulas
= IN V.N ORM P.N (D2/2) e = IN V.N ORM P.N (1 D2/2)
respectivamente.
ormula
= IN V.N ORM P.N (1 D2)
ormula
= IN V.N ORM P.N (D2)
ormulas
respectivamente.
107

Apostila Estatística

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apostila Estatística

Transféré par

Droits d'auteur :

Formats disponibles

IFBA

Allan de Sousa Soares

Espaco Amostral e Evento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Uso de Contadores em Simulacoes Computacionais . . . . . . . . . . . . . . . . . . . . . . . . .

Media ou Esperanca Matem

Populacao, Amostra e Representatividade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Elementos da Tabela de Distribuicao e Representacao Grafica de uma Amostra . . . . . . . . . .

10.1 Medidas de Posic

10.3 Qual Media Usar? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11.5 Media, Mediana e Moda, qual delas escolher? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12.1 Medidas de Dispers

13.1 Medidas de Assimetria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13.2 Medida de Curtose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13.5 Erros: Tabelas vs Dados Brutos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15.3 Uso da Tabela de Distribuic

15.5 Algumas Considerac

16.1.1 Dimensionamento da Amostra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17.1 Intervalos de Confianca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

17.1.2 Intervalo de Confianca Para a Media Quando a Variancia e Desconhecida . . . . . . . . .

17.1.1 Intervalo de Confianca Para a Media Quando a Variancia e Conhecida . . . . . . . . . . .

18.1 Intervalo de Confianca - Continuac

18.1.1 Intervalo de Confianca Para a Variancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18.1.2 Intervalo de Confianca Para a Proporcao ou Probabilidade

19.1 Teste de Hip

19.3 Testes de Signific

20.1 Teste de Hip

(veremos mais tarde).

a sua probabilidade de ocorrencia.

motiva a darmos a seguinte definic

Determine a probabilidade de que

Exerccio 1.4.1. Seja A o conjunto de todos os n

1.4.4. P (A) = 47 , P (B) =

Figura 1.1: Simulacao em Excel - Aniversarios

Figura 1.2: Rotina em Octave - Aniversarios

Figura 1.3: Simulacao com 10000 Grupos - Aniversarios

Exemplo 2.1.4. Num lote de 12 pecas, 4 s

Por outro lado,

supondo que todos os competidores tem a mesma chance de vit

Procedendo desta maneira,

temos que a probabilidade P de n anivers

Exemplo 2.2.8. Tres m

abilidade condicional. Trata-se de um diagrama explicitando todas as possibilidades de ocorrencia em um experimento

Figura 2.1: Diagrama de arvore.

Ocorre que nem sempre e f

Figura 2.2: Rotina em Octave - Problema do Tipo Sanguneo.

De modo mais geral, a Definic

Figura 3.1: Grafico de Barras.

p(x1 ) + ... + p(xn )

Exemplo 3.2.6. Encontre a func

Exerccio 3.3.1. Seja X a v.a. denotando o resultado obtido no lancamento de um dado.

A seguinte rotina (Figura 3.2), em Octave, simula o n

Figura 3.2: Rotina em Octave - Moeda.

Figura 3.3: Moeda - Simulacao.

Uso de Contadores em Simulaco

Figura 3.4: Rotina - Baralho.

Figura 3.5: Simulacao - Baralho.

Figura 3.6: Graficos no Excel.

Exemplo 4.1.5. Seja X uma v.a. contnua com a seguinte func

kx, 0 < x < 1

Analogamente ao caso, discreto, podemos definir F (X).

Exemplo 4.1.8. Seja X uma v.a. contnua com a seguinte func

onde abusamos no uso de x. Calculando, temos:

Exerccio 4.2.1. Seja X uma v.a. contnua tal que: