Estatstica

M a r c e l o Y . B . H o s s o m i

Para a unio e a interseco, valem as propriedades: C O M U T A T I V A : = D I S T R I B U T I V A : = ( ) A S S O C I A T I V A : = ( ) As propriedades acima valem para qualquer combinao ou ordem de operadores. Para o complemento, valem as propriedades: A ) = B ) = (conjunto vazio) C ) = D ) =

1. Teoria de Conjuntos
DEF: C O N J U N T O um grupo de elementos, ordenados ou no.

1.1. Conjunto Universo (U)

DEF: C O N J U N T O U N I V E R S O o conjunto que contm todos os elementos existentes no problema sendo analisado. normalmente dentado por . EXEMPLO: ao jogar um dado de 6 lados, se observarmos o nmero na face voltada para cima, o conjunto universo seria: = {1, 2, 3, 4, 5, 6}

1.4. Diagrama de Venn

uma forma de representar conjuntos graficamente. O conjunto universo representado por um retngulo, e os demais subconjuntos por elipses/circunferncias. U A B

1.2. Subconjunto
DEF: se todos os elementos de um conjunto pertencem a um conjunto , ento um S U B C O N J U N T O de . EXEMPLO: qualquer conjunto um subconjunto do conjunto universo.

1.3. Operaes de Conjuntos

U N I O : o resultado um conjunto que contm os elementos que aparecem em qualquer um dos conjuntos: = 1, 2, 3 = {2, 3, 4, 5} = {1, 2, 3, 4, 5} I N T E R S E C O : o resultado um conjunto que contm os elementos que aparecem em todos os conjuntos envolvidos, simultaneamente: = 1, 2, 3 = {2, 3, 4, 5} = {2, 3} C O M P L E M E N T O : o resultado um conjunto com todos os elementos do conjunto universo que no esto no conjunto. = 1, 2, 3 = {1, 2, 3, 4, 5} = {4, 5}

O tamanho e posio dos conjuntos so apenas simblicos. O diagrama de Venn representa, principalmente, a interseco dos conjuntos, que denotada pela rea em comum aos dois crculos, como se v acima. Certamente, mais de dois crculos poderiam se intersectar.

2. Anlise Combinatria
DEF: A N L I S E C O M B I N A T R I A o estudo de quantas e quais maneiras um conjunto de pode ser organizado.

PROVA: do resultado de 2.1, temos apenas que descontar a permutao entre os elementos repetidos. Para isso, consideremos as permutaes entre os elementos repetidos como uma nica permutao. Ou seja, dividimos pelo nmero de permutaes que eles podem gerar. Isto : !
!,!,

2.1. Permutao sem Repetio

DEF: P E R M U T A O consiste em apenas trocar a ordem dos elementos de um conjunto, onde a ordem dos elementos relevante. Isto , , {, }. Dado um conjunto de elementos, sem elementos repetidos, o nmero de permutaes possveis ser: = ! PROVA: se temos elementos a trocar, temos tambm posies: {! , ! , , ! } Para a primeira posio, temos possveis elementos para colocar. Para cada elemento que colocarmos na primeira posio, teremos ( 1) possibilidades para a segunda, o que nos d ( 1) permutaes para duas posies. Para a k posio, teremos + 1 possibilidades. Enfim, por induo: ! = 1 21 ! = !

! ! = !! !!

2.3. Arranjo
DEF: A R R A N J O a seleo de elementos de um conjunto de elementos ( > ), em que a ordem relevante. O nmero de arranjos possveis ser: , = ! ( )!

PROVA: da mesma forma que provamos a permutao, limitamos o clculo at a p posio: !,! = 1 ( + 1) Multiplicando ambos os lados por ! obtemos:
!,! ! = + 1 1

!,! =

! !

2.4. Combinao
DEF: C O M B I N A O a seleo de elementos de um conjunto de elementos ( > ), em que a ordem no relevante. Isto , , = {, }. O nmero de combinaes possveis : , = ! = ! !

2.2. Permutao com Repetio

Caso haja elementos repetidos no conjunto, a permutao entre eles deve ser desconsiderada uma vez que troc-los de posio resultar na mesma permutao. DEF: dado um conjunto com elementos, no qual um elemento se repete vezes, outro se repete vezes e assim por diante. Fazendo a permutao entre esses elementos, desconsiderando a troca de elementos repetidos, o nmero de permutaes possveis ser:
,,

PROVA: partindo da definio de arranjo, basta considerar como um os arranjos em que h apenas a permutao de elementos. Para isso, divide-se o nmero de arranjos pelo nmero de permutaes possveis entre os elementos do arranjo: !,! = !,! ! = ! ! !

! = !!

3. Probabilidade
3.1. Espao Amostral (S)
DEF: E S P A O A M O S T R A L o conjunto de todos os resultados possveis de um experimento. o conjunto universo do experimento. normalmente representado por S. EXEMPLO: ao lanarmos um dado de seis lados, o espao amostral : = {1, 2, 3, 4, 5, 6}

3.4. Probabilidade
Probabilidade de um evento a chance deste ocorrer em um experimento. apenas um valor especulativo se o experimento for repetido poucas vezes. Se o experimento for repetido muitas vezes, o nmero de ocorrncias do evento vai se aproximar da probabilidade. DEF #1: dado um experimento espao amostral com ! resultados, e um evento que contm ! resultados, ento a P R O B A B I L I D A D E de definida por: =

3.2. Evento
DEF: E V E N T O um conjunto de resultados possveis em um nico experimento (podendo ser vazio). sempre um subespao do espao amostra. normalmente representado por letras maisculas, assim como conjuntos. EXEMPLO: dois dados de seis lados so lanados. Se definirmos: = Ento o evento A seria: = 1, 1 , 2, 2 , 3, 3 , 4, 4 , 5, 5 , 6, 6

DEF #2: se ! = ! / a freqncia relativa de , ento: =

!

OBS: no confunda as variveis ! usadas em 3.3 e 3.4. PROPRIEDADES: seja o espao amostral de um experimento e um evento qualquer desse experimento. A ) 0 1 B ) = 1 () C ) = 1 D ) = 0

3.3. Freqncia Relativa

a relao entre quantas vezes um determinado evento ocorreu e o nmero de vezes que o experimento foi repetido. DEF: sejam um experimento repetido vezes, e um evento relacionado ao experimento. Ento F R E Q N C I A R E L A T I V A dada por: =

3.5. Regra Aditiva

DEF: dois eventos e so M U T U A M E N T E E X C L U D E N T E S se no puderem ocorrer simultaneamente, ou seja: = TEOREMA: dados dois eventos e , a R E G R A A D I T I V A diz que: = + ( ) PROVA: Utilizando a definio 1 de probabilidade, podemos provar o teorema escrevendo: !! = ! + ! !!

Onde ! o nmero de ocorrncias de . Observe que a freqncia relativa tem uma propriedade: 0 ! 1 Quando for suficientemente grande, a freqncia relativa converge para a probabilidade.

Pois ao somar ! + ! , estamos incluindo os elementos comuns a e duas vezes, e por isso subtramos !! . Dividindo a equao pelo nmero de resultados possveis: !! ! ! !! = + ! ! ! ! ( ) = () + () ( ) O teorema pode ser expandido para qualquer nmero de eventos de forma semelhante, alternando somas e subtraes: = + + + + + Portanto, se excludentes: ! , ! , ! forem

3.7. Regra Multiplicativa

DEF: dois eventos e so I N D E P E N D E N T E S se a ocorrncia de um no influenciar na probabilidade do outro. Ou seja: = = TEOREMA: dados dois eventos e , obtemos diretamente da definio de probabilidade condicionada a R E G R A M U L T I P L I C A T I V A : = = (|) O teorema pode ser expandido para qualquer nmero de eventos:
= = !

mutuamente

PROVA: vamos dividir todos os conjuntos em conjuntos secundrios: ! = !!! ! Dessa forma, obtemos: ! ! = ! (! |! ) Podemos escrever ! = ! ! , logo: ! |! = ! ! ! Observe que o lado direito da equao acima pode ser simplificado pela definio de probabilidade condicionada: ! ! = ! ! = ! ! ! !

=
!

3.6. Probabilidade Condicionada

DEF: se um evento influenciado pela ocorrncia de , ento a probabilidade de dada por: | =

(Leia-se, probabilidade de A dado que B ocorreu) PROVA: se o evento foi verificado, a ocorrncia de significa que ocorreu. No entanto, ao analisar a probabilidade de , podemos descartar todos os resultados que no pertencem a . Assim, nos restringimos nosso espao amostral ao conjunto , obtendo: !! = ! Dividindo ambos os termos da frao por ! , onde o espao amostral do experimento, teremos: !! = ! !

! ! ! |! ! (! )

! |! = ! ! (! |! ! ) De forma semelhante, fazendo ! = ! ! , ento: ! ! ! = ! ! ! !

! ! ! = ! ! ! ! ! ! !

Repetindo o processo sucessivamente at que cheguemos a !!! = ! e substituindo as equaes que esto em funo de ! :
! ! = = ! ! ! ! ! ! ! ! !!!

Portanto, se ! , ! , ! ! forem dois a dois independentes, teremos:

!

4. Variveis Aleatrias
DEF: V A R I V E L A L E A T R I A um tipo de funo que atribui valores numricos aos elementos do espao amostral do experimento. PROPRIEDADES: seja uma varivel aleatria e ! elementos do espao amostral. A ) (! ) tem apenas um valor possvel B ) possvel que existam , tal que ! = (! ) As variveis aleatrias so dividias em duas classes: D I S C R E T A S e C O N T N U A S .

! ! =
!!!

(! )

3.8. Probabilidades Totais

DEF: S U B P A R T I E S de um conjunto so conjuntos ! ! , dois a dois mutuamente excludentes, tais que: ! ! = TEOREMA: sejam ! ! subparties do espao amostral de um evento , Ento:

=
!

=
!

4.1. VA Discretas
DEF: uma V A R I V E L A L E A T R I A D I S C R E T A assume valores numerveis, sejam finitos ou infinitos. Seja uma varivel aleatria discreta que assume valores ! ! . Atribui-se uma funo ! ( = ! ) chamada P R O B A B I L I D A D E D E X . PROPRIEDADES:

PROVA: observando o diagrama de Venn do problema, temos: ! !

A ) ! ! 0 B )
! !!! !

! = 1

4.2. VA Contnuas
DEF: uma V A R I V E L A L E A T R I A C O N T N U A assume valores infinitos num intervalo de reta. Seja uma varivel aleatria contnua que assume valores no intervalo [, ]. Atribui-se uma funo ! () chamada F U N O D E N S I D A D E D E P R O B A B I L I D A D E . PROPRIEDADES: A ) ! 0, [, ]

Notamos que o evento pode ser descrito como unio de vrios subeventos: = ! ( ! ) Como os conjuntos ! ! so subparties do espao amostral, eles so independentes. Portanto:
! !

=
!!!

! =
!!!

! (! )

B ) ! = 0, [, ] B ) ! [ ! , ! ] = C )
! ! !! !!

= 1

Da propriedade C , deduz-se que a probabilidade de um ponto especfico ! igual a zero:

4.3. Distribuio Acumulada

DEF: seja uma varivel aleatria qualquer. Define-se D I S T R I B U I O A C U M U L A D A a funo ! (! ) a probabilidade de ocorrer qualquer valor menor ou igual a ! . Ou seja:

4.5. Distribuio Bernoulli (Discreta)

DEF: seja um evento de interesse relativo a um experimento realizado apenas uma vez, com = . Seja uma varivel aleatria discreta: = 1 0 , ,

=
! !!

( ) ()

()

Note que ~ (1, ). Ento, tem D I S T R I B U I O B E R N O U L L I : ~ () De forma direta da distribuio binomial com = 1 podemos deduzir: =
!

Conhecendo a distribuio acumulada de uma varivel aleatria, possvel determinar a probabilidade de qualquer elemento ou intervalo: = ! < < = ()

4.4. Distribuio Binomial (Discreta)

DEF: seja um evento de interesse relativo a um experimento . Suponha que foi repetido vezes, nas quais = constante. Seja uma varivel aleatria discreta tal que: = Ento tem D I S T R I B U I O B I N O M I A L , assumindo valores ! = [0, ]: ~ (, ) A funo de probabilidade de definida por: = ( )!

4.6. Distribuio Uniforme (Contnua)

DEF: seja uma varivel aleatria contnua com valores no intervalo [, ] cuja densidade de probabilidade seja constante. Ento tem distribuio uniforme: ~ , A densidade de probabilidade de dada por: , = , [, ] [, ] de

PROVA: pela propriedade da densidade probabilidade, podemos determinar esse valor:

! !

! = 1

PROVA: seja ! o evento ocorrido na i-sima repetio do experimento. Se quisermos que ocorra ! vezes, ento queremos que: ! !! = !! !! ! = Como as repeties do experimento so independentes, pela regra multiplicativa, temos ento: ! ! = ! ! = ! ! !!!! ! ! ! (1 )!!!! !

Mas como ! constante, ento:

!

= 1
!

! =

5. VA Multidimensionais
DEF: V A R I V E I S A L E A T R I A S M U L T I D I M E N S I O N A I S so variveis aleatrias relacionadas, podendo ter uma probabilidade conjunta. So tambm classificadas em discretas e contnuas com propriedades semelhantes s unidimensionais. Os clculos sero feitos para duas variveis, e a expanso direta.

Significa calcular a probabilidade de um valor ! no importando qual valor assuma. De forma anloga, a marginal de :

=
!

( , )

5.1. VA Discretas
A definio a mesma encontrada em 4.1. PROPRIEDADES: seja (, ) uma varivel aleatria discreta de duas dimenses que assumem valores (! ! , ! ! ). Ento: A ) !" ! , ! 0 B )
! !!! ! !!! !"

Para o caso contnuo, a formulao semelhante, obtendo como resultado a densidade marginal. Seja (, ) uma varivel aleatria contnua bidimensional que assume valores em , , , . As densidades marginais so:

5.4. Probabilidade Condicionada

DEF: P R O B A B I L I D A D E C O N D I C I O N A D A em variveis aleatrias multidimensionais a probabilidade de um ou mais parmetros assumirem determinado valor, conhecendo-se o valor das demais. Seja (, ) uma varivel aleatria qualquer bidimensional. Ento, a probabilidade de que = sabendo-se que = dada por: = ) = , , ()

! , ! = 1

5.2. VA Contnuas
A definio a mesma encontrada em 4.2. PROPRIEDADES: seja , uma varivel aleatria contnua de duas dimenses que assumem valores no subplano ( , , , ). Ento: A ) !" , = [ ! , ! ]
! ! !! !! !! !! !"

B ) !" , 0, , C ) !" , = 0, , D )
! ! ! ! !"

, , , , , ,

Para o caso contnuo, e certamente devero ser intervalos, e no valores especficos.

5.5. Distribuio Acumulada

A definio a mesma encontrada em 4.3. Dessa forma, a distribuio acumulada de uma varivel aleatria qualquer (, ) :

, = 1

5.3. Distribuio Marginal

DEF: D I S T R I B U I O M A R G I N A L a probabilidade de uma varivel aleatria multidimensional tendo um ou mais parmetros fixados. uma forma de reduzir a dimenso da varivel aleatria. Seja (, ) uma varivel aleatria discreta de duas dimenses que assume valores (! ! , ! ! ). A probabilidade marginal de :

, =
! !

, ()

, =

!! !!

, ()

Note tambm que: , = ,

=
!

( , )

5.6. VA Independentes
DEF: uma varivel aleatria multidimensional I N D E P E N D E N T E quando seus parmetros no tm qualquer relao entre si. Seja (, ) uma varivel aleatria qualquer de duas dimenses tal que e so independentes. Ento: = ) = () , = , =

6. Valor Esperado
DEF: V A L O R E S P E R A D O o valor mais provvel que se espera de uma varivel aleatria, dados seus valores e suas probabilidades. Seja uma varivel aleatria discreta de probabilidade ! () que assume os valores ! ! . Ento seu valor esperado :

=
!

( )

De forma anloga, podemos determinar o valor esperado de uma varivel aleatria contnua:
!

=
!!

TEOREMA: seja uma varivel aleatria contnua e = (). Ento:

!

= ( ) =
!!

PROPRIEDADES: sejam e variveis aleatrias contnuas, = (, ), = (, ) e uma constante. A ) + = + () B ) = C ) + = + D ) = , As demonstraes so diretas, utilizando o teorema acima para a propriedade A e as demais propriedades de valor esperado.

6.1. Varincia
DEF: V A R I N C I A um indicador de quo dispersos os valores assumidos por uma varivel aleatria esto de seu valor esperado. A definio de varincia : =

Porm, expandindo os termos propriedades de valor esperado:

utilizando

6.3. Valor Esperado de VA Uniforme

Seja uma varivel aleatria tal que ~ (, ). Ento o valor esperado de : = +

= ! 2 + ! = ! 2 + ! = ! 2 + ! = () PROPRIEDADES: sejam e variveis aleatrias e uma constante. A ) = ! B ) + = C ) + = + As demonstraes so diretas usando as propriedades de valor esperado.

PROVA: Se tem distribuio uniforme, ento: ! = 1

Ento, pela definio de valor esperado, temos:

!

=
!

!
!

= =

6.2. Valor Esperado de VA Binomial

Seja uma varivel aleatria tal que ~ (, ). Ento o valor esperado de : = PROVA: seja o nosso evento de interesse e ~ (, ) onde = (). Vamos utilizar um conjunto de variveis aleatrias ! ! onde: ! = 1, 0, !

1 ! ! 2 + = 2 = + 2

6.4. Covarincia
Dadas duas variveis aleatrias e , temos: + = + + 2[ ] A covarincia um valor que avalia o grau de dependncia entre variveis aleatrias, e definido por: , = O que nos permite escrever: + = + + 2 , Vale notar que se e so independentes, ento , = 0.

Portanto, como expressa o nmero de vezes que ocorreu nas repeties, podemos escrever:
!

=
!!!

Mas da maneira que definimos ! podemos dizer: ! 1 = ! 0 = (1 ) Logo, pela definio de valor esperado: ! = 1 + 0 1 = E usando as propriedades de valor esperado:
! !

6.5. Varincia de VA Binomial

Seja uma varivel aleatria tal que ~ (, ). Ento a varincia de : =

=
!!!

! =
!!!

(! )

PROVA: de forma semelhante demonstrao em 6.3, usaremos as variveis aleatrias auxiliares ! ! . Ento, escrevemos:
!

!
!

! + + ! + = 3 2 = =

=
!!!

! + + ! ! + 2 + ! 3 4 ! 2 + ! 12 ! 12

Portanto:
! !

= (! )

=
!!!

! =
!!!

Mas podemos calcular (! ) porque temos sua definio: ! = ! = 1

! !

! !
!

+ 0

! = (1 ) Portanto: = (1 )

6.6. Varincia de VA Uniforme

Seja uma varivel aleatria tal que ~ (, ). Ento a varincia de : =

PROVA: se tem distribuio uniforme, ento: ! = 1

Ento, pela definio de varincia, vamos precisar calcular:

! !

=
!

!
! !

= =
!

1 !

! ! + + ! = 3 3 ! + + ! 3

Portanto, usando o valor esperado j calculado anteriormente, teremos:

7. Lei Fraca dos Grandes Nmeros

possvel determinar o tamanho de uma amostra aleatria para que a mdia da amostra obtida fique to prxima quanto quisermos do valor esperado da populao toda.

Em mdulo, sabendo que 0, obtemos ento:

2 2

7.2. Lei Fraca dos Grandes Nmeros

DEF: seja uma varivel aleatria contnua com = e = ! . Obtm-se uma amostra aleatria de tamanho e mdia . Considerando uma tolerncia > 0 e um erro tal que 0 < < 1, podemos calcular o valor de para que pelo menos (1 ) da amostra tenha no mximo distante da mdia da amostra. Ou seja: < > PROVA: seja ! ! uma amostra aleatria, o que implica em ser independente e identicamente distribuda. Note que ! ! so variveis aleatrias. Podemos obter o valor esperado e a varincia da mdia da amostra:
!

7.1. Desigualdade de Chebyshev

DEF: seja uma varivel aleatria com = e . Se ! for finito e sendo > 0, ento:

PROVA: seja () uma funo no-negativa real, e > 0. Ento:

!

=
!!

Podemos dividir a integral em dois subconjuntos: = ! } = < ! } =

!

! +

=
!!!

! 1 =

!
!!!

Como ! 0 sempre (pois ambas as funes so sempre no-negativas), temos a desigualdade a seguir:
! + ! !

Como ! uma varivel aleatria identicamente distribuda, temos que ! = . Logo: =

A integral em do lado direito conveniente, pois no conjunto temos que 2 , o que nos permite

Agora calculando a varincia, vamos usar o fato de que ! so independentes para usar a propriedade de varincia e escrever:
!

afirmar: =
!

!
!!!

2
!

1 = !

(! )
!!!

Ou seja: 2

Como ! uma amostra de temos que ! = ! : = !

2 2 ( 2 )

Agora, partindo da lei de Cherbyshev e substituindo por , temos: Seu complemento : ! !

Se fizermos = ! obtemos:

!

 < 1

! !

8. Distribuio Poisson
DEF: seja uma varivel aleatria discreta que assume valores ! 0 com funo de probabilidade definida por: = ! !

Substituindo os valores calculados anteriormente: < 1 Por definio, !

= . Ento: ! !

< 1

Ento tem D I S T R I B U I O P O I S S O N : ~ ()

Queremos que pelo menos (1 ) da amostra satisfaa a condio < . Ou seja: 1 ! > 1 ! ! > !

8.1. Valor Esperado

Seja ~ (). Ento o valor esperado de : = PROVA: Pela prpria definio de valor esperado:
!

=
!!!

!! ! !

Note que uma definio diferente daquela dada em 6, mas que tem o mesmo significado para a distribuio Poisson. Mas em = 0 a somatria no se altera, pois o termo geral fica zero. Ento podemos cancelar o primeiro fator do fatorial:
!

=
!!!

!! ! ( 1)!

Fazendo uma substituio: = 1 =

!!! ! !

!! !!! = !

!!!

!! ! !

Mas note que: !! ! = ! !

!

! = 1
!!!

8.2. Varincia
Seja ~ (). Ento a varincia de : =

PROVA: faremos de forma semelhante ao valor esperado. Pela definio, precisamos calcular ( ! ):
!

9. Distribuio Normal
DEF: seja uma varivel aleatria contnua com funo densidade de probabilidade definida por: =
! !

=
!!!

!! ! !
!

Podemos cancelar o primeiro fator do fatorial, pois em = 0 o valor do termo geral zero.
!

! =
!!!

!! ! 1 !

Onde = e ! = , ento tem D I S T R I B U I O N O R M A L centrada em : ~ (, ! )

Fazendo uma mudana de varivel: = 1

!

9.1. Distribuio Normal Padro

DEF: seja ~ (0, 1). Ento tem D I S T R I B U I O N O R M A L P A D R O . Sua funo densidade de probabilidade reduz-se a: !! !!! ! !! ! ! = !
!!! !

! =
!!! !

+ 1

!! !!! !
!

=
!!!

!! !!! + !

!!!

=
!!!

!! ! + !

COROLRIO: se ~ (, ! ) e = distribuio normal padro.

, ento tem

!!!

Mas note que o primeiro termo igual a , e o termo geral do segundo termo ():
!

PROVA: de forma direta, usando as propriedades de valor esperado e varincia: ~ ,

! = +
!!!

~ ~

= ! + Agora podemos calcular a varincia: = ! ! = ! + ! =

, !

Mas temos que = e ! = , portanto: ~ 0,1

9.2. Tabulao da Acumulada

Seja ~ (0, 1). Ento:
!

< < =
!

1 2

! !

!!

Essa integral no tem soluo analtica, devendo ser resolvida numericamente. Portanto, a distribuio acumulada () da distribuio normal padro tabelada. Portanto, temos que: < < = b (a)

10. Distribuio Exponencial

DEF: seja uma varivel aleatria contnua com funo densidade de probabilidade definida por: ! , = , 0 < 0

PROVA: pela definio temos que calcular ( ! ): ! = =

! ! ! !! !

! !

! !!" ! !!"

Ento tem D I S T R I B U I O E X P O N E N C I A L : ~ > 0

=
!

Fazendo integrao por partes: = ! = 2 1 = ! !!"

!!

10.1. Valor Esperado

Seja ~ (). Ento o valor esperado de : 1 = PROVA: pela definio temos:
!

= !!" 1 = !!!
! ! !

! ! !

2 !!"

= lim ( ! !!" ) + 2

!!"

=
!! !

!
!!"

Mas temos que a integral acima ()/, portanto: ( ! ) = lim

!!

=
!

=
!

!!"

! 2 + ! !"

Fazendo integrao por partes: = = = !!" 1 = !!"

! ! !

Usando LHopital duas vezes, calculamos o limite: lim ! 2 2 ! = lim = lim = 0 !! !" !! !" !" ! = Portanto: = ! ! 2 1 ! ! 1 = ! = 2 !

!!

1 !!"
!!"

! ! !

1 !!"

= lim
!!

= lim !" !!

1 !!" 1 +

Para resolver o limite, aplicaremos a regra de LHopital: = lim 1 = 1 1 + !"

!!

10.2 Varincia
Seja ~ (). Ento a varincia de : =

11. Estatstica Descritiva

DEF: so medidas associadas a variveis quantitativas. So dois tipos de medidas: P O S I O C E N T R A L e D I S P E R S O .

11.3. Box Plot

DEF: representao grfica de um conjunto de dados que mostra a posio, disperso, assimetria, cauda e dados discrepantes do conjunto. O box plot formado por: 1 ) P O S I E S R E L A T I V A S ! , ! e ! , chamadas Q U A R T I S , as quais so as realizaes que dividem o conjunto ordenado em 4 subconjuntos iguais. Isto , ! a mediana do conjunto, ! a mediana do conjunto anterior a ! , e ! a mediana do conjunto posterior a ! . 2 ) D I S P E R S O : = ! ! 3 ) C A U D A S , que comeam no retngulo e vai at o valor mnimo/mximo do conjunto (veja desenho abaixo). 4 ) L I M I T E S : 3 ! = ! 2 3 ! = ! + 2 Com essas informaes desenhamos o box plot: ! ()

11.1. Medidas de Posio Central

A ) M E D I A N A : a realizao que ocupa a posio central do conjunto de dados quando ordenado (seja crescente ou decrescente. Caso haja um nmero par de realizaes, a mediana a mdia das duas realizaes centrais. B ) M O D A : a realizao mais frequente no conjunto de dados. C ) M D I A A R I T M T I C A : uma mdia do conjunto de dados definido por:
!

=
!!!

11.2. Medidas de Disperso

A ) D E S V I O M D I O : mdia das diferenas entre os valores do conjunto de dados e a mdia aritmtica:
!

=
!!!

B ) V A R I N C I A : mdia do quadrado das diferenas entre os valores do conjunto de dados e a mdia aritmtica:
!

=
!!!

! ! ! ! !

C ) D E S V I O P A D R O : raiz quadrada da varincia: =

OBS: a mdia aritmtica e o desvio padro podem no ser medidas adequadas para apresentar um conjunto de dados, pois so afetados por fatores extremos e no nos dizem a assimetria da distribuio.

() !

O box plot avalia quo prximos os valores do conjunto esto de sua mediana, que pode ser visualizado no retngulo central, e quo dispersos esto seus valores, que pode ser percebido pelas caudas. Valores abaixo do limite inferior ou acima do limite superior so chamados O U T L I E R S .

12. Amostras e Dist. Amostrais

12.1. Amostra Aleatria
DEF: uma A M O S T R A A L E A T R I A de uma varivel aleatria um conjunto de variveis aleatrias {! ! } tais que: A ) ! ! sejam independentes entre si B ) ! ! tenham a mesma distribuio de . Onde o tamanho da amostra. TEOREMA: seja {! ! } uma amostra aleatria de uma varivel aleatria com densidade de probabilidade ! (). A densidade de probabilidade !! !! (! ! ) dada por:
!

conjunta

!! !! =
!!!

! (! )

PROVA: usando propriedades da funo de densidade de probabilidade n-dimensional, temos que: Como {! ! } so independentes entre si:
!

!! !! ! ! =
!!!

!! !

E como {! ! } tm a mesma distribuio de :

! !

!! ! =
!!! !!!

! !

12.2. Estatstica
DEF: seja {! ! } uma amostra aleatria da varivel aleatria . Definimos uma E S T A T S T I C A D E como sendo uma funo definida pela amostra aleatria. Ou seja: = (! ! ) Onde a estatstica de . Abaixo definiremos algumas estatsticas importantes. Seja uma varivel aleatria e {! ! } uma amostra aleatria. Definiremos ento as seguintes estatsticas:

1 ) M D I A A M O S T R A L :
!

PROVA: partindo do teorema: !

!!

=
!!!

( , )

Subtraindo e dividindo por / : !! ,

2 ) V A R I N C I A A M O S T R A L :
!

! =
!!!

(! )! 1

3 ) M N I M O D A A M O S T R A : = min (! ! ) 4 ) M X I M O D A A M O S T R A : = max ! ! 5 ) A M P L I T U D E D A A M O S T R A : = 6 ) E S T A T S T I C A D E O R D E M : a j-sima estatstica de ordem (!) a j-sima maior observao da amostra. Assim: (!) = (!) =

Usando propriedades de valor esperado e varincia: !! , ! Mas temos que: = = Ento: !! (0, 1) TEOREMA: seja ! ! ~ ( , ! ) independentes e uma combinao linear delas:
!

12.3. Mdia Amostral

TEOREMA: seja {! ! } uma amostra aleatria retirada de uma populao tal que = e = ! . Ento:
!!

=
!!!

! !

Ento: ~ ! , ! !

( , )

Isto , para a mdia amostral converte para uma distribuio normal com mdia () e varincia (). Mas temos que: = = Logo:
!

Particularmente, se ! = 1 : = ~ ( , ! )

12.4. Proporo Amostral

! Considere uma populao onde os indivduos podem ou no possuir uma caracterstica. A proporo de indivduos que possuem a caracterstica . Temos ento, para uma amostra grande, que a proporo de indivduos com a caracterstica nessa amostra : ~ , 1

(, )

COROLRIO: do teorema acima podemos inferir que: ! (, )

PROVA: seja tal que: = 1 0

Somando e subtraindo da expresso dentro de obtemos:

!

Dessa forma, ~ (), o que nos d: = = 1 Considere agora uma amostra aleatria ! ! , de forma que o nmero de indivduos nessa amostra que possuam a caracterstica :
!

1 = 1

!
!!!

Desenvolvendo o termo da somatria:

!

!
!!! !

2 ! +
! !

! =
!!!

!
!!!

2
!!!

(! ) +
!!!

Dessa forma temos que: ! ~ (, ) Seja ento a proporo de indivduos na amostra com a caracterstica, ou seja: = ! =
!

Mas temos que:

! ! !

! =
!!! ! !!!

!
!!!

(! ) = =
!!!

!!!

! =

Logo:
! !

Ou seja, para teremos, pela seo anterior:

!

!
!!!

=
!!!

Retornando ao valor esperado:

!

12.5. Varincia Amostral

TEOREMA: seja {! ! } uma amostra aleatria com = e = ! . Ento: A ) = B ) Se ~ (, ) ento tem distribuio ! : ~ ! PROVA DE (A): sabendo que:
!

1 = 1 = 1 1

!
!!! !

!
!!!

Pelas propriedades de valor esperado: 1 ( ! ) = 1

!

!
!!!

Como sabemos que = ! = = :

1 ( ) = 1
! !

! =
!!!

(! )! 1

! !
!!! !

Para calcular a varincia vamos partir do valor esperado:

!

1 ( ) = 1
!

(! )
!!!

=
!!!

(! )! 1

Como {! ! } uma amostra aleatria, ento so identicamente distribudas a . Alm disso, =

! ! !

. Ento:

1 ( ) = 1
!

()
!!!

! = Finalmente:

1 1

! = = ! OBS: esse fato o motivo da definio de varincia amostral ter ( 1) no denominador. Se utilizssemos () no denominador, como seria intuitivo, a propriedade demonstrada acima no seria verdadeira.

12.6. Distribuio !
DEF: seja ~ (0, 1). Definindo = ! , ento tem ! distribuio C H I - Q U A D R A D O D E G R A U 1 ((!) ): ~ !! TEOREMA: seja {! ! } uma amostra aleatria com ~ (0, 1). Ento, definindo:

=
!

dizemos que tem distribuio C H I - Q U A D R A D O D E G R A U N : ~ !! Sua funo densidade de probabilidade dada por: ! = 1
! 2 !

n 2

! !! ! 0

Onde:
!

=
!

!!! !!

Propriedades: = = 2

13. Estimadores
DEF: E S T I M A D O R qualquer estatstica conhecida da varivel aleatria sendo observada, cujos valores so usados para estimar (), onde algum parmetro da varivel aleatria e uma funo qualquer. Observe que, por ser uma estatstica, um estimador definido por uma amostra: = (! ! ) Onde {! ! } uma amostra de . Ou seja, o papel de um estimador tentar adivinhar o valor de uma funo qualquer de um parmetro utilizando apenas uma amostra da varivel aleatria (e no todo o conjunto) Os valores assumidos por formam a estimativa de (). DEF: um estimador N O V I C I A D O um estimador tal que = (). Isto , o valor esperado da estimativa o valor exato do que est sendo estimando por . DEF: um estimador C O N S I S T E N T E um estimador ! definido por uma amostra de tamanho tal que:
!!

TEOREMA: se for no-viciado, teremos como resultado: = PROVA: se no-viciado, pela prpria definio dessa caracterstica: = Ento: = = ()
!

13.1. Estimador de Mx. Verossimilhana

DEF: seja {! ! } uma amostra aleatria e {! ! } os valores da amostra observada. Definimos a F U N O D E V E R O S S I M I L H A N A como: !! !! ! ! , = !! !! ! ! , Por ser uma amostra aleatria, {! ! } so independentes e igualmente distribudos a . Ento:

, =
!

lim (! ) = ()
!!

lim ! = 0

Para variveis aleatrias discretas, basta trocar a funo densidade de probabilidade pela funo de probabilidade. O estimador de mxima verossimilhana (EMV) a funo encontrada para o parmetro que fornea o maior valor da funo de verossimilhana. OBS: o chapu (^) denota o estimador daquele parmetro. PROPRIEDADES: A ) A estimativa de mxima verossimilhana pode ser viciada, mas sob condies bastante genricas pode ser consistente. B ) I N V A R I N C I A : se for um EMV de , ento () um EMV de () se, e somente se, for contnua e montona. Ou seja: , () = ()

Ou seja, apesar de no ser necessariamente no- viciado, com uma amostra grande, a estimativa se torna mais e mais preciso a ponto de que, no limite em que , torne-se exato. DEF: sejam ! e ! dois estimadores no-viciados de um parmetro . Se ! < (! ), dizemos que V 1 T E M M A I O R E F I C I N C I A . DEF: seja = (! ! ) um estimador de (). O E R R O Q U A D R T I C O M D I O ( E Q M ) dado por: =
!

Onde () representa a diferena entre a estimativa e o valor verdadeiro do que est sendo estimado por .

EXEMPLO: devido ao nvel de abstrao desse captulo achei necessrio um exemplo. Suponha que a durao de um componente eletrnico seja ~ (). Foi retirada uma amostra aleatria de tamanho e ensaiados, obtendo os valores {! ! }. Obtenha o EMV da durao mdia dos componentes, (). RESOLUO: A funo densidade de probabilidade de :
! !! ! = 0

ln = ln
!!!

!
!

ln = ln

! = 0
!!!

Depois de aplicarmos a derivada, o valor de na equao j ser o EMV. Ento o denotamos com :
!

! = 0
!!!

, > 0 ,

Queremos um estimador para (), ou seja, procuramos (). J demonstramos anteriormente que = !! , ou seja, uma funo do parmetro : = = = Note que, pela teoria, estamos escolhendo = e = . Perceba, ento que queremos encontrar o estimador de (), como dito anteriormente. Pela propriedade da invarincia, por ser uma funo montona, temos: = () Ou seja, podemos estimar () com um estimador de . Portanto, vamos encontrar o EMV de . Para encontrar o EMV temos que calcular a funo de verossimilhana:
! !!

Vamos verificar se encontramos realmente um valor de mximo. A prova se d quando a segunda derivada de ln for menor que zero: ! ln = ! < 0 ! Verificado o ponto de mximo, vamos encontrar o EMV de . Como assumimos, ao longo da resoluo: = = = !! Temos finalmente: =
!!

1 =

! =
!!!

= Portanto, o EMV da durao mdia a mdia amostral.

!! !! ! ! , =
!!! !

! ! , !!!!
!!! ! !! !!

= =

E agora devemos encontrar o valor de que resulte na maior verossimilhana, ou seja, maximizar . Para isso, derivamos em funo de e igualamos a zero. No entanto, note que bem mais simples derivar ln . Como logaritmo uma funo montona e contnua, maximizar ou ln deve nos dar o mesmo valor do parmetro:

14. Mtodo dos Mnimos Quadrados

DEF: seja (, )! (, )! uma amostra aleatria e {(, )! (, )! } os valores obtidos nessa amostra. O M T O D O D O S M N I M O S Q U A D R A D O S ( M M Q ) calcula um estimador linear da forma: = + De modo a minimizar a soma dos quadrados dos resduos. DEF: define-se a soma dos quadrados dos resduos como:
! !

!!! !

! ! +
!!! !

! +
!!! !

!! = 0
!

!!!

! +
!!!

!!

!!!

! =
!!!

! !

Mas sabendo que ! = temos:

! !

+
!!!

!!

! =
!!!

! !

=
!!!

! !

=
!!!

! ( + ! ) !

Encontrando os estimadores e , pode-se encontrar um estimador para a varivel aleatria .

Os estimadores para os parmetros (, ) so: = = PROVA: como o mtodo visa minimizar a SQR, vamos deriv-la e igual-la a zero. Comeando por : = 2
! !

14.1. Coeficiente de Correlao Amostral

DEF: sejam { , ! , ! } uma amostra aleatria e { , ! , ! } os valores obtidos nessa amostra. O C O E F I C I E N T E D E C O R R E L A O A M O S T R A L definido por: = ! ! !
!

Expandindo e simplificando termos: =

! + !
!!! !

1 = 0

!
!!! !!! !

! = 0
!

O coeficiente de correlao amostral revela o quo linear a relao de e . = 0 0 < 1 1 < 0

1 =

!!!

!
!!!

= Agora derivamos em : = 2
! !

Quanto mais prximo de 1 ou -1, mais se aproxima de uma relao perfeitamente linear.

! + !
!!! ! !

! = 0

!!!

! ! +
!!!

! +
!!!

!! = 0

Usando o valor de j calculado:

15. Estimao por Intervalo

DEF: a E S T I M A O P O R I N T E R V A L O consiste em encontrar um intervalo [, ] que contenha o verdadeiro valor do parmetro que est sendo estimado com uma confiana .

Onde:
!

=
!

!!! !!

Propriedades: = 0 > 1 = > 2 2 Para grande, aproxima-se de uma distribuio normal padro. TEOREMA: seja ! ! uma amostra aleatria de ~ , ! . Ento: ~
!

15.1. Mtodo da Quantidade Pivotal

DEF: uma varivel aleatria (! ! , ) uma Q U A N T I D A D E P I V O T A L ( Q P ) para o parmetro se sua distribuio for independente de . Fixando entre 0 e 1, podemos obter ! e ! na distribuio de tal que: ! ! ! , ! = Como a distribuio da quantidade pivotal independente de , ento ! e ! tambm so. Logo: ! ! ! , ! ! ! ! ! (! ! ) Ento: ! ! = E o intervalo [! , ! ] chamado I N T E R V A L O D E C O N F I A N A ( I C ) , que contm o verdadeiro valor de com probabilidade .

Onde ! a varincia amostral. PROVA: seja: = ~ 0, 1 = 1 ! ~ !!!! !

Como j visto anteriormente. Como e ! so independentes, e tambm so independentes entre si. Definindo: = 1

15.2. Distribuio t de Student

DEF: seja ~ 0, 1 e ~ !! , com e independentes entre si. Definindo: =

Temos que, pela definio: ~ os termos:

!!!

. Desenvolvendo

Ento dizemos que tem distribuio T D E S T U D E N T : ~

( 1) ! = 1 ! = =

Sua densidade de probabilidade : + 1 ! 2 ! = 1+ 2

! !!! !

Portanto: ~
!!!

15.3. Mdia (Varincia Conhecida)

Seja ~ ( , ! ), do qual conhecemos ! . Vamos encontrar o intervalo de confiana para . Primeiro encontramos a quantidade pivotal. Ela deve ter uma distribuio conhecida que no dependa de , embora sua definio o possa. Dessa forma, conveniente adotar: = = ~ (0, 1) Fixamos o fator de confiana [0,1] tal que: !
!

Fixamos o fator de confiana [0,1] tal que: !

!

< < !

Como o intervalo ainda simtrico, ! ! obtido de forma semelhante ao caso anterior utilizando a tabela da distribuio acumulada da t de Student. Substituindo : ! < < ! =

> > +

< < !

Observe que entre ! ! e ! ! deve haver uma rea sob a curva da distribuio normal. Portanto, devemos escolher ! ! tal que: > !
!

Determinando ento o intervalo de confiana para esse caso: = , +

1 2

15.5. Outros Casos

possvel encontrar o intervalo de confiana em outros casos, para outros parmetros. Basta escolher a quantidade pivotal correta, de forma que tenha distribuio conhecida e no dependa do parmetro. Os demais clculos so semelhantes aos feitos nos dois casos anteriores.

Obtido utilizando a tabela da distribuio acumulada da normal. Substituindo : ! < < !

> > +

Determinando ento o intervalo de confiana para esse caso: = , +

15.4. Mdia (Varincia Desconhecida)

Seja ~ ( , ! ). Vamos encontrar o intervalo de confiana para . Primeiro encontramos a quantidade pivotal. Ela deve ter uma distribuio conhecida que no dependa de , embora sua definio o possa, mas no podemos depender de nenhuma maneira de ! , pois no o conhecemos. Dessa forma, conveniente adotar: = = ~
!!!

16. Teste de Hiptese

DEF: T E S T E D E H I P T E S E consiste em determinar qual a chance de aceitar uma hiptese que seja verdadeira, dado uma amostra e uma expectativa. DEF: H I P T E S E N U L A ( H 0 ) a hiptese que se desejava. DEF: H I P T E S E A L T E R N A T I V A ( H 1 ) a hiptese em que no se deseja. O teste consiste em rejeitar ou no a hiptese nula, sabendo que h sempre uma possibilidade de errar.

ocorrncia das hipteses. Prefira as que podem ser transformadas em distribuies conhecidas usando apenas parmetros conhecidos. 2 ) F I X A R : a regra de deciso ser baseada na probabilidade de rejeitarmos ! erroneamente. 3 ) D E T E R M I N A R A R E G R A D E D E C I S O : basicamente, determinar quando ! ser rejeitada.

16.4. Mdia (Varincia Conhecida)

Seja {! ! } uma amostra aleatria de ~ ( , ! ) com ! conhecido. Suponha que queremos verificar se = ! . Determinemos as hipteses: ! : = ! ! : ! A estatstica de teste mais conveniente para o caso a mdia amostral, que pode ser transformada em uma distribuio normal. Usaremos a seguinte regra de deciso: < ! > ! Caso tivssemos hipteses unilaterais, apenas uma das condies existiria. Fixemos tambm = ! . Portanto, podemos utilizar a equao de : ! = ! ! ! = < ! > ! = ! ) ! = < ! = ! ) + > ! = ! ) Podemos transformar a probabilidade em normal padro definindo: = ~ (0,1) ! ! !! = !! = < ! = ! = < !! | = ! = ! 2 > ! = ! = > !! | = ! = ! /2

16.1. Tipos de Hipteses

H I P T E S E S I M P L E S ! : = ! ! : = 2! H I P T E S E C O M P O S T A U N I L A T E R A L ! : = ! ! : > ! ! : = ! ! : < ! H I P T E S E C O M P O S T A B I L A T E R A L ! : = ! ! : !

16.2. Tipos de Erros

E R R O T I P O 1 : rejeitar ! quando este verdadeiro. 1 = ! = E R R O T I P O 2 : no rejeitar ! quando este falso. 2 = ! =

16.3. Regio Crtica

O teste busca encontrar uma regio crtica que determina se a hiptese nula deve ser rejeitada ou no. Para se determinar a regio crtica, deve-se seguir os passos: 1 ) D E T E R M I N A R A E S T A T S T I C A D E T E S T E : o teste usa uma estatstica para mensurar a possibilidade de

Como ~ (0, 1), possvel encontrar !! e !! com a tabela da distribuio acumulada da normal. Dessa forma possvel calcular as constantes ! e ! : = = + +

16.5. Clculo de
Quando a hiptese alternativa composta, a probabilidade dependente de . DEF: F U N O P O D E R a funo definida por: = () Que basicamente a chance de rejeitar ! quando este verdadeiro: = ! ! ) Vale a pena observar que:

Fazendo isso, teremos a regio crtica: = < > De forma que: ! ! , ,

! : = ! ! =

16.5. Mdia (Varincia Desconhecida)

Com o mesmo problema anterior, mas assumindo que no conhecemos ! . Ento no podemos transformar a probabilidade em normal padro sem usar parmetros desconhecidos. A melhor maneira, ento, transform-la numa t de Student, definindo: = ~
!!!

16.7. Nvel Descritivo

O nvel descritivo calcula, sob ! , a probabilidade de se obter estimativas mais extremas que a fornecida pela amostra. Essa probabilidade denotada por . Um pequeno significa uma ! falsa. O nvel descritivo definido, em cada caso, por: ! : = ! A ) Se ! : < ! = !"#$%&! ! B ) Se ! : > ! = ( !"#$%&! |! ) C ) Se ! : ! e ! = 2 !"#$%&! ! D ) Se ! : ! e ! = 2 !"#$%&! !

!! =

! ! !! =

< ! = ! = < !! | = ! = ! 2 > ! = ! = > !! | = ! = ! /2 E o restante do procedimento idntico, utilizando a tabela de distribuio acumulada da t de Student.

16.6. Outros Casos

A determinao da regio crtica de outros casos segue o mesmo procedimento. Deve-se escolher a estatstica de teste adequada, que possa ser transformada numa distribuio conhecida usando apenas parmetros conhecidos. Para hipteses unilaterais, deve-se usar regras de decises com a mesma desigualdade da hiptese. Ou seja, por exemplo: ! : > ! : >