Anda di halaman 1dari 37

Apostila

De
Estatstica

Professores: Wanderley Akira Shiguti


Valria da S. C. Shiguti

Braslia, 2008

UNIDADE VIII INTRODUO TEORIA DA PROBABILIDADE


EXPERIMENTO ALEATRIO OU NO DETERMINISTICO - E
Definio:
1.

o processo de observao ou medida de um determinado fenmeno em estudo.

2.

o experimento que repetido sob as mesmas condies, conduz a resultados, em geral, distintos.

Exemplos:
E1 lanamento de um dado e observar o nmero na face superior.
E2 lanamento de uma moeda e observar o valor na face superior.
E3 lanamento de um dado e uma moeda, nesta seqncia, observar os valores nas faces superiores.
E4 um casal deseja ter trs filhos e observar o sexo, de acordo com a ordem de nascimentos das crianas.
ESPAO AMOSTRAL - S
Definio:
Um espao amostral um conjunto de todas as ocorrncias possveis de um determinado experimento
aleatrio E.
Exemplos: Considere os experimentos aleatrios apresentados anteriormente:
No E1 - S={1, 2, 3, 4, 5, 6}
No E2 - S={k, c}, onde k=cara, C=coroa.
No E3 - S={1k, 2k, 3k, 4k, 5k, 6k, 1c, 2c, 3c, 4c, 5c, 6c}
No E4 - S={MMM, MMF, MFM, MFF, FMM, FMF, FFM, FFF}
EVENTOS (qualquer letra maiscula do alfabeto)
Definio:
Um evento qualquer subconjunto de ocorrncias de um determinado espao amostral S.
Exemplo: Considere o experimento aleatrio E3, com seu respectivo espao amostral S:
S={1k, 2k, 3k, 4k, 5k, 6k, 1c, 2c, 3c, 4c, 5c, 6c}
Determine os seguintes eventos:
A = ocorrncia de valor cara (K)
B = ocorrncia de valor par
C = ocorrncia de valor coroa (C)
D = ocorrncia de valor mpar
E = ocorrncia de nmero primo
F = ocorrncia de valor maior que 4
G = ocorrncia de valor menor ou igual a 3
H = ocorrncia de valor par ou cara (K)
I = ocorrncia de valor par ou mpar
64

J = ocorrncia de valor par e cara (K)


K = ocorrncia de valor par e mpar
L = ocorrncia de valor maior que 7
TIPOS DE EVENTOS

EVENTO CERTO

Definio:
aquele evento que se igual ao espao amostral S.
Exemplo: O evento I acima um evento certo.
EVENTO IMPOSSVEL
Definio:
aquele evento que no possui elemento algum.
Exemplo: Os eventos K e L acima so eventos impossveis.
EVENTOS MUTUAMENTES EXCLUSIVOS
Definio:
Dois eventos A e B quaisquer so chamados de mutuamente exclusivos, se eles no podem ocorrer
simultaneamente, isto ,
AB =
Exemplo: Considere os eventos descritos acima:
Os eventos A e C so mutuamente exclusivos, pois AC = .
Os eventos B e D so mutuamente exclusivos, pois BD = .
Os eventos C e J so mutuamente exclusivos, pois CJ = .
Os eventos H e J no so mutuamente exclusivos, pois HJ .
EVENTOS COMPLEMENTARES
Definio:
Dois eventos A e B quaisquer so chamados de complementares se:
AB =
AB = S
Exemplo: Considere os eventos descritos no exemplo acima:
Os eventos A e C so complementares, pois AC = e AC = S.
Os eventos B e D so complementares, pois BD = e BD = S.
Os eventos H e J no so complementares, pois HJ e HJ S.
Os eventos F e K no so complementares, pois FK apesar de FK = S.
Os eventos C e J no so complementares, pois CJ S apesar de CJ = .
65

PROBABILIDADE:
Enfoque Terico
A probabilidade de ocorrncia de um evento A, P(A), um nmero real que satisfaz as seguintes
condies:
a)

0 P(A) 1

b) P(S) = 1
c)

Se A e B so eventos mutuamente exclusivos ento P(AB) = P(A) + P(B)

d) Se A1, A2, ...,A , ... So mutuamente exclusivos, dois a dois, ento:


Principais teoremas:
I)

P( A ) = 1 - P(A)

II) Se A um evento impossvel de ocorrer (A=), ento P(A) = P() =0.


III) Se A e B so eventos quaisquer, ento: P(AB) = P(A) + P(B) - P(BA).
CLCULO DA PROBABILIDADE
A probabilidade dever ser calculada a partir da frmula:

P(A) =

n(A)
n(S)

Exemplo:
Seja o Experimento E o lanamento de um dado e o seu espao amostral dado por: S = {1, 2, 3, 4, 5, 6}. Qual a
probabilidade do evento A Nmeros maiores e iguais a 2?
O Evento A pode ser descrito na forma: A ={2, 3, 4, 5, 6}
n(A) = 5 e n(S) = 6. Logo a probabilidade do evento A P(A) =

n(A)
= 5/6.
n(S)

PROBABILIDADE CONDICIONAL
Ilustrao:
Seja o experimento aleatrio E: lanar um dado e o evento A = {sair o nmero 3}. Ento:
P(A) =

1
6

Seja o evento B = {sair o nmero impar} = {1, 3, 5}


Podemos estar interessados em avaliar a probabilidade do evento A estar condicionado ocorrncia do evento B,
designado por P(A|B), onde o evento A o evento condicionado e o evento B o condicionante.
Assim P(A|B) =

1
3

Formalmente a probabilidade condicionada definida por:


Dado dois eventos quaisquer A e B, denotaremos P(A|B), por.

66

P(A B) =

P(A B) n (A B) ,
=
P(B)
n (B)

Com P(B)0, pois B j ocorreu.


TEOREMA DO PRODUTO
A probabilidade da ocorrncia simultnea de dois eventos quaisquer A e B, do mesmo espao amostra,
igual ao produto da probabilidade de ocorrncia do primeiro deles pela probabilidade condicional do outro,
dado que o primeiro ocorreu.
Assim:
P(A B) =

P(A B)
P(B)

P(A B) = P(B) P(A B)

INDEPENDNCIA ESTATSTICA
Um evento A considerado independente de um outro evento B se a probabilidade de A igual
probabilidade condicional de A dado B, isto , se:

P ( A) = P ( A B )
Considerando o teorema do produto podemos afirmar que:

P(A B) = P(A ) P(B)


TEOREMA DE BAYES
Suponha que os eventos A1, A2, ...,An formam uma partio de um espao amostral S; ou seja, os
eventos Ai so mutuamente exclusivos e sua unio S. Seja B outro evento qualquer. Ento:
B = SB = (A1A2...An) B = (A1B) (A2B) ... (AnB)
Onde os AiB so tambm mutuamente exclusivos.

Consequentemente,
P(B) = P(A1B) + P(A2B) +... +P(AnB)
Assim pelo teorema da multiplicao,
P(B) = P(A1)P(B\ A1)+ P(A2)P(B\ A2)+...+ P(AN)P(B\ AN)
Por outro lado, para qualquer i, a probabilidade condicional de Ai dado B definida como

67

P(Ai\B) = P(A i B)
P(B)

Nesta equao, usamos (1) para substituir P(B) e P(AiB) = P(Ai)P(B\ Ai) para substituir P(AiB),
obtendo assim o:
Teorema de Bayes: Suponha A1, A2, ...,An ser uma partio de S e B, um evento qualquer. Ento, para qualquer
i,
P(A i \ B) =

P(A i )P(B \ A i )
P(A1 )P(B \ A1 ) + P(A 2 )P(B \ A 2 ) + ... + P(A n )P(B \ A n )

Exemplos:
Trs mquinas, A, B e C produzem 50%, 30% e 20%, respectivamente do total de peas de uma fbrica.
As percentagens de produo defeituosa destas mquinas so 3%, 4% e 5%. Se uma pea selecionada
aleatoriamente, ache a probabilidade de ela ser defeituosa. Suponha agora que uma pea selecionada
aleatoriamente seja defeituosa. Encontre a probabilidade de ela ter sido produzida pela mquina A

EXERCCIOS
1.

Lance um dado e uma moeda um aps o outro nesta seqncia.

a) Construa o espao amostral


b) Enumere os resultados seguintes
I. A ={coroa marcada por par}
II. B = {cara marcada por mpar}
III. C = {Mltiplo de 3}
c) Expresse os eventos
I. B complementar
II. A ou B ocorrem
III. B ou C ocorrem
IV. A ou B complementar
c) Calcule as probabilidades abaixo:
P(A), P(B), P(C), P( A ),P( B ), P(A B) e P(BC)
2. Um revendedor de carros tem dois carros, corsas 1996, na sua loja para serem vendidos, interessa-nos saber
quanto cada um dos dois vendedores vender ao final de uma semana. Como representar o primeiro vendedor
no vende nenhum carro e depois o segundo vendedor vende ao menos um dos carros.
3. Se A o evento Um estudante fica em casa para estudar. E B o evento o estudante vai ao cinema,
P(A) = 0,64 e P(B) = 0,21. Determine:
P(Ac), P(Bc), P(B/A)
4.
a)
b)
c)

Se P(A) = ; P(B) = e A e B so mutuamente exclusivos ento:


P(Ac)
P(Bc)
P(AB)

5.

Se P(A) = ; P(B) = 1/3 e P(AB) = calcule P(AUB).

6.

Quantas comisses de trs pessoas podem formar com um grupo de 10 pessoas?

68

7. A probabilidade de trs jogadores acertarem um pnalti so respectivamente 2/3, 4/5 e 7/10. Se cada um
cobrar uma nica vez, qual a probabilidade de:
a) Todos acertarem
b) Ao menos um acertar
c) Nenhum acertar
8.

Qual a probabilidade de duas pessoas aniversariarem no mesmo dia da semana?

9.

Sr Ray Moon Dee, ao dirigir-se ao trabalho, usa um nibus ou o metr com probabilidade de 0,2 e 0,8, nessa
ordem. Quando toma o nibus, chega atrasado 30% das vezes. Quando toma o metr, atrasa-se 20% dos
dias. Se o Sr Ray Moon Dee Chegar atrasado ao trabalho em determinado dia, qual a probabilidade dele
haver tomado um nibus?

10. Em certo colgio, 5% dos homens e 2% das mulheres tem mais que 1,80m de altura. Por outro lado, 60%
dos estudantes so homens. Se um estudante selecionado aleatoriamente e tem mais de 1,80m de altura,
qual a probabilidade de que o estudante seja mulher?

69

UNIDADE IX - VARIVEIS ALEATRIAS


CONCEITOS
Seja X um valor numrico que depende um resultado de uma experincia; como X associa um resultado
a um nmero, X uma funo cujo domnio o conjunto de resultados e a imagem o conjunto dos nmeros
reais. Essa funo X conhecida como Varivel Aleatria. O que Eqivale a descrever os resultados de um
experimento aleatrio por meio de nmeros em vez de palavras, possibilitando um tratamento Estatstico.
As v.a. podem ser Unidimensional Discreta ou Contnua e Bidimensional Discreta e Contnua.

VARIVEIS ALEATRIAS UNIDIMENSIONAIS DISCRETAS


As v.a. unid. Discretas so aquelas que fazem uso de uma nica varivel no estudo, e como so
discretas trabalham com valores inteiros.

FUNO DE PROBABILIDADE
Quando utilizamos uma v.a. x para transformar os valores de um espao amostral S em um novo espao
amostral constitudo de nmeros reais, em geral modificamos tambm a funo de probabilidade associada a este
espao amostral. A funo de probabilidade ser representada por p(X=x) ou p(x).
Onde:
p(x) = 1 e
p(x) poder ser expresse por uma tabela, grfico ou frmula:

EXEMPLO:
E lanamento de duas moedas
X nmero de caras obtidas
S = {(c,c) (c,k) (k,c) (k,k)}

A TABELA:
xi
p(xi)

0
0,25

1
0,5

2
0,25

O GRFICO

70

A FRMULA
p(x) =

1 2
, para x = 0, 1, 2
4 x

OBS: Qualquer funo de uma v.a. tambm uma v.a. isto se x uma v.a., ento y =(x) tambm ser.

EXEMPLO:
x v.a. pontos de um dado;
y = x + x v.a. soma dos pontos de dois lanamentos;
z = Max{(x1, x2)} onde (x1, x2) pontos de dois dados.
A distribuio de probabilidade de x ser:
xi
p(xi)

1
1/6

2
1/6

3
1/6

4
1/6

5
1/6

6
1/6

A distribuio de y ser:

(1,1)
(2,1)

S = (3,1)
M

(6,1)

(1,2) ... (1,6)


(2,2) ... (2,6)
(3,2) ... (3,6)

yi
p(yi)

(6,2) ... (6,6)


2
1/36

3
2/36

4
3/36

5
4/36

6
5/36

7
6/36

8
5/36

9
4/36

10
3/36

11
2/36

12
1/36

A de z ser:
zi
p(zi)

1
1/36

2
3/36

3
5/36

4
7/36

5
9/36

6
11/36

Exemplo:
No lanamento de dois dados a v.a. x anota a diferena dos pontos das faces superiores. Determine os
valores de x e a funo de probabilidade associada.

EXERCCIO
A urna A contm 3 bolas brancas e 2 bolas pretas. A urna B contm 5 bolas brancas e
1 bola preta. Uma bola retirada ao acaso de cada urna e a v.a. x anota o nmero de bolas
brancas obtidas. Determine os valores de x e a funo de probabilidade.

71

MEDIDAS DE POSIO E
UNIDIMENSIONAL DISCRETA.

VARIABILIDADE

DA

V.

ALEATRIA

O VALOR ESPERADO DA V.A.


A v.a. ser utilizada para estabelecer modelos tericos de prob. Com a finalidade de descrever
populaes. A mdia, a varincia, o desvio padro, representaro parmetros destas populaes e sero
denotados por , 2(x) e (x), respectivamente.
Se x uma v.a. dada por:
xi
p(xi)

x1
p(x1)

x2
p(x2)

x3
p(x3)

...
...

xn
p(xn)

= xi * p(xi) tambm conhecido como E(x)

A VARINCIA DA V.A. VAI SER:


2(x) = (xi - )2* p(xi) ou 2(x) = E(x2) [E(x)]2

E O DESVIO PADRO:
____
(x) = 2(x)

Exemplo:
No lanamento de uma moeda, a v.a. anota o n de caras obtido. Calcule a mdia a varincia e o desvio
padro da v.a. x.

EXERCCIO:
Calcule a mdia a varincia e o desvio padro da v.a. x dada abaixo.
xi
p(xi)

2
0,3

5
0,4

8
0,2

10
0,1

VARIVEL ALEATRIA UNIDIMENSIONAL CONTNUA


Se uma v.a. assume todos os valores de um intervalo real, ento x denominada uma v.a. contnua.
Essas v.a. surgem de processos definidos a partir de medidas.
Ex: Considere o intervalo real de [2,10] e a funo que associa a cada ponto deste intervalo sua distncia ao
ponto 2.
A v.a. x assumir valores no intervalo[0,8] sendo portanto uma v.a. contnua.

FUNO DENSIDADE DE PROBABILIDADE (F.D.P.)


com:

Quando definimos a v.a. discreta associamos a cada ponto xi do espao amostral um valor real p(xi)

72

1.
2.

0 p(xi) 1
p(xi) = 1

Para a v.a. contnua no poderemos usar tal processo, pois no existe uma funo que associa cada
ponto p de um intervalo um valor real.
Para a v.a. contnua definiremos:
1.
2.

f(xi) 0
A rea da regio compreendida sobre o grfico da funo e o eixo ox igual a 1.

MEDIDAS DE POSIO E
UNIDIMENSIONAL CONTNUA.

DE

VARIABILIDADE

DE

UMA

V.A.

VALOR ESPERADO:

E(x) =

x f(x)dx E(x ) = x
2

f(x)dx

VARINCIA E DESVIO PADRO

2 (x ) = E(x 2 ) [E(x )]2

e o D.P. =

(x ) = 2 (x )

VARIVEL ALEATRIA BIDIMENSIONAL


Exemplo: Considere E, que consiste no lanamento de dois dados. Seja x a v. a. que anota o nmero de pontos da
face superior do primeiro dado, e seja y a v.a. que anota o nmero de pontos da face superior do segundo dado.

Y
X
1
2
3
4
5
6

(1 1) (1 2)

4
...

6
(1 6)

...
...
(6 1 )

...

(6 6)
73

A tabela de Probabilidade :

X
1
2
3
4
5
6

1/36
1/36

...

6
1/36

...
...
1/36

...

1/36

Logo a funo de probabilidade conjunta :


P(X = xi, Y = yj) satisfazendo as condies.
Discreta
1. p(xi,yj) 0

2.

Contnua
1. f(x,y) 0

p(x i , y j ) = 1

2.

i =1 j =1

f(x, y)dxdy = 1

A DISTRIBUIO MARGINAL DE PROBABILIDADE


Dada uma v.a. bidimensional e sua distribuio conjunta pode-se determinar a distribuio de X sem
considerar Y, ou vice-versa. So as chamadas distribuies marginais.
Se (X,Y) discreta; ento:

P ( X = x) = P( X = xi , < y <

Distribuio Marginal de X: ou

P( X = x ) = P( x , y )

j i j
i

74

P(Y = y ) = P(Y = y ji , < x <

Distribuio Marginal de X: ou

P(Y = y ) = P( x , y )

i i j
j

Exemplo: anterior

Y
X
1
2
3
4
5
6
p(x)

p(y)

1/36
1/36

...
...

1/36

1/6

1/36
1/6

...

1/36
1/6

1/6
1

VARIVEL ALEATRIA INDEPENDENTES


Seja (X,Y) uma v.a. discreta bidimensional. Diz-se que X e Y so independentes se, e somente se,
p(xi,yj) = p(xi)p(yj) para quaisquer i e j.
Seja (X,Y) uma v.a. aleatria contnua bidimensional. Diz-se que X e Y so independentes se e somente
se, f(x,y)=g(x)h(y) para todo (x,y).
Obs: g(x) distribuio marginal de x da v.a. contnua e h(x) da v. a. de y

75

EXEMPLO:
Dada a distribuio de probabilidade conjunta de (X,Y) pela tabela abaixo. Verificar se X e Y so independentes.

y\x
0
1
2
p(xi)

0
0,1
0,04
0,06
0,2

1
0,2
0,08
0,12
0,4

2
0,2
0,08
0,12
0,4

p(yj)
0,5
0,2
0,3
1

Soluo: Para todo i, j; i=0, 1, 2 e j=0, 1, 2


P(xi,yj) = p(xi)p(yj)
Para o par (0,0) tem-se:
P(0,0) = 0,10 e p(x=0). P(y=0) = 0,2. 0,5 = 0,10.
Para o par (0,1) tem-se:
P(0,1) = 0,04 e p(x=0). P(y=1) = 0,2. 0,2 = 0,04.
Continuando todos os clculos se verificar que todos sero satisfeitos e por isso conclumos que X e Y so
independentes.

76

MEDIDAS DE POSIO E DE VARIABILIDADE DE UMA V.A. BIDIMENSIONAL


DISCRETA E CONTNUA.
A mdia ou esperana matemtica deve ser calculada usando as frmulas:

E(x ) = x i p(x i )

E(x ) = x f ( x i ) dx

E(y ) = y j p(y j )

E(y ) = y f ( y j ) dy

E(xy ) = x i y j p(x i y j )

E(xy ) = x y j f ( x i y j ) dxdy

A varincia, o desvio padro, a covarincia e o coeficiente de correlao sero calculados a partir das
frmulas abaixo.

2 (x ) = E(x 2 ) - [E(x)]2

Para o caso discreto e contnuo

2 (y ) = E(y 2 ) - [E(y)]2

2 (x y ) = 2 (x ) + 2 (y ) 2 cov(xy) } Para o caso em que x e y forem quaisquer

2 (x y ) = 2 (x ) + 2 (y )} Quando x e y forem independentes


(x ) = 2 (x )
Cov(xy) = E(xy) - E(x) E(y)

(xy)

cov(xy)
(x ) ( y )

Exerccios Resolvidos.
1. Uma carta retirada aleatoriamente de um baralho comum de 52 cartas, e a v.a. X anota o nmero de
damas obtidos nessa retirada. Determinar os valores de X e a funo de probabilidade associada.

Soluo
Seja S o espao amostral da retirada de uma carta do baralho S = { AO, 2O, ..., 10O, ..., JO, DO, KO, AP,
2P, ..., 10P, ..., JP, DP, KP, AE, 2E, ..., 10E, ..., JE, DE, KE, AC, 2C, ..., 10C, ..., JC, DC, KC}
Onde: AO a carta s de Ouro 2O a carta 2 de Ouro e assim sucessivamente
A v.a. X anota o nmero de damas obtido, veja que aqui no foi mencionado o naipe, logo estamos
interessados somente se sai (1) ou no (0) uma carta de damas. As probabilidades bem como os valores que a
v.a. X pode assumir esto discriminados na distribuio de probabilidade abaixo.
X
0
1
p(x)
48/52
4/52
2. A tabela a seguir d as probabilidades de um oficial de justia receber 0, 1, 2, 3, 4 ou 5, relatrios de
violao de liberdade condicional em um dia qualquer.
X
p(x)

0
0,15

1
0,25

2
0,36

3
0,18

4
0,04

5
0,02

77

a)

Encontre a mdia e o desvio padro de X.

Soluo
A mdia pode ser denotada por E(x) ou por , assim:
E(x) = xi.p(xi) = 0.(0,15) + 1.(0,25) + 2.(0,36) + 3.(0,18) + 4.(0,04) + 5.(0,02) = 1,77
Para calcularmos o Desvio padro, que ser denotado por D.P. ou por (x), deveremos antes encontra a
varincia que ser:
Var(x) = 2(x) = E(x2) [E(x)]2
Onde
E(x2) = xi2.p(xi) = 02.(0,15) + 12.(0,25) + 22.(0,36) + 32.(0,18) + 42.(0,04) + 52.(0,02) = 4,45
Assim a varincia de x ser:
2(x) = E(x2) [E(x)]2 = 4,45 [1,77]2 = 1,32
Como estamos interessados no desvio padro teremos que tirar a raiz quadrada da varincia. Logo:
(x) = 1,14
3. A tabela abaixo fornece a probabilidade de que um sistema de computao fique fora de operao um
dado perodo por dia durante a fase inicial de instalao do sistema. Calcular:
a) O nmero esperado de vezes que o computados fique fora de operao por dia
b) O desvio padro desta distribuio de probabilidade.
Nmero de perodo X
Probabilidade p(x)

4
0,01

5
0,08

6
0,29

7
0,42

8
0,14

9
0,06

Soluo
Nmero de perodo X
Probabilidade p(x)
x.p(x)
x^2.p(x)

4
0,01
0,04
0,16

5
0,08
0,4
2

6
0,29
1,74
10,44

7
0,42
2,94
20,58

8
0,14
1,12
8,96

9
0,06
0,54
4,86

Total
1
6,78
47

a) E(x) = 6,78
b) 2(x) = E(x2) [E(x)]2 = 47 [6,78]2 = 1,032
(x) = 1,016
4. O trem do metr para no meio de um tnel. O defeito pode ser na antena receptora ou no painel de
controle. Se o defeito for na antena, o conserto poder ser feito em 5 minutos. Se o defeito for no painel, o
conserto poder ser feito em 15 minutos. O encarregado da manuteno acredita que a probabilidade de o
defeito ser no painel de 60%. Qual a expectativa do tempo de concerto?

Soluo
Se o defeito for na antena o conserto dever ser feito em 5 minutos.
Se o defeito for no painel estima-se um conserto em 15 minutos. Logo a distribuio de probabilidade
ser:
X
p(x)

5
0,4

15
0,6

E(x) = 5. (0,4) + 15.(0,6) = 11 minutos a expectativa do tempo de conserto


5. Uma v.a. assume os valores 2, 3, 5, com probabilidades de 0,3, 0,5 e 0,2 respectivamente. Calcule o
valor esperado e o desvio padro da v.a. Y = 2x + 5.

Soluo
78

Y = 2x + 5
E(y) = E(2x) + E(5) =
E(y) = 2E(x) + 5 = ?
Calculando a esperana de x e a esperana de x2 teremos:
X
2
3
5
p(x)
0,3
0,5
0,2
E(x) = 2.(0,3) + 3.(0,5) + 5.(0,2) = 3,1
Logo E(y) = 2(3,1) + 5 = 11,2
Descubra como encontrar a Var(Y)!!!!!!!

3
2
1 x , 0 x 1
6. Seja f ( x ) = 2
0, caso contrrio
a) f(x) uma legitima Funo Densidade de Probabilidade (f.d.p)?
b) Encontre a mdia e o Desvio padro da v.a.x.

Soluo
Para que uma funo f(x) seja uma legitima f.d.p. ela dever satisfazer as seguintes condies:
f(x) 0

1.

2.

f ( x)dx = 1
0

Observe que a funo foi definida no intervalo de [0,1] e recebe o valor 0 para qualquer outro intervalo.
Logo a 1 condio j foi verdadeira. Para provar a Segunda deveremos resolver a integral:
1

3
2
0 2 1 x dx = 1 =

1
3
3 1
1 x 2 dx = x 0
20
2

1
x 3 3 2
= =1
3 0 23

Logo f(x) uma legtima f.d.p.


Para achar a Mdia faremos:
1

E(x) =

1
1
2
0 x . f ( x)dx = 1= x . 32 (1 x 2 )dx = 1 = 32 (x x 3 )dx = 32 x2
0
0

1
x 4 3 1 3
= =
4 0 24 8

E(x2)
1

x
0

1
1
. f ( x)dx = 1 = x 2 . 3 (1 x 2 ) dx = 1 = 3 (x 2 x 4 )dx = 3 x
0 2

2 0
2 3

3 1

3 2 3 1
= = =
2 15 15 5
0

5 1

x
5

Logo a varincia ser: 2(x) = E(x2) [E(x)]2 = 1/5 [3/8]2 = 19/320 = 0,0594
7. Considere a seguinte distribuio conjunta de probabilidade. Encontre as marginais de X e Y e
verifique se X e Y so independentes.

Soluo
O clculo das marginais de X e Y feito da seguinte forma:
x
y
1
3
5
p(x)

2
0,05
0,2
0,25

4
0,08
0,15
0,07

6
0,05
0,05
0,1

p(y)

79

X
Y

2
0,05
0,2
0,25
0,5

1
3
5
p(x)

4
0,08
0,15
0,07
0,3

6
0,05
0,05
0,1
0,2

p(y)
0,05+0,08+0,05=0,18
0,4
0,42
1

P(Y=1)

P(X=2)

Para saber se X e Y so independentes devemos verificar para todos os casos se P(X=xi,Y = yj) = P(X=xi).P(Y =
yj), ento:
Probabilidade
Conjunta
de X e Y

P(X = 2 , Y = 1)
X
Y

2
0,05
0,2
0,25
0,5

4
0,08
0,15
0,07
0,3

P(X=2)

Probabilidade
Marginal
de X quando xi = 2

1
3
5
p(x)

6
0,05
0,05
0,1
0,2

p(y)
0,05+0,08+0,05=0,18
0,4
0,42
1

P(Y=1)

Probabilidade
Marginal
de Y quando yj = 1

1. (x = 2 e y = 1) 0,05 0,5 . 0,18


2. (x = 2 e y = 3) 0,2 = 0,5 . 0,4
3. (x = 2 e y = 5) 0,25 0,5 . 0,42
4. (x = 4 e y = 1) 0,08 0,3 . 0,4
...
E assim sucessivamente. Podemos ver que como a condio P(X=xi,Y = yj) = P(X=xi).P(Y = yj) no foi satisfeita
para todos i e j diremos que X e Y no so independentes.
8.

Considere a seguinte distribuio conjunta de X e Y .


X
Y

-2
0,1
0,2

1
2
p(x)

a)
b)
c)
d)
e)

-1
0,2
0,1

4
0
0,1

5
0,3
0

p(y)

Achar as distribuies marginais de X e Y;


Calcular E(x), E(y) e E(x,y);
Calcular a covarincia de X e Y;
Calcular a correlao de X e Y.
X e Y so independentes?

Soluo
X
Y
1
2
p(x)
Distribuio
de Probabilidade
de X e sua Marginal

Distribuio
de Probabilidade
de Y e sua Marginal

-2
0,1
0,2
0,3

-1
0,2
0,1
0,3

4
0
0,1
0,1

5
0,3
0
0,3

1
0,6
0,6
0,6

2
0,4
0,8
1,6

Total
1
1,4
2,2

-2
0,3
-0,6
1,2

-1
0,3
-0,3
0,3

4
0,1
0,4
1,6

p(y)
y.p(y)
y^2.p(y)

x
p(x)
x.p(x)
x^2.p(x)

p(y)
0,6
0,4
1

A varincia de y :
Var(y) = E(yy) - [E(y)]2
Var(y) = 2,2 - (1,4)2 = 0,24
D.P. = 0,49

E(y)
E(y2)

5
0,3
1,5
7,5

Total
1
1
10,6

E(x)
E(x2)

A varincia de x :
Var(x) = E(x2) - [E(x)]2
Var(x) = 10,6 - (1)2 =9,6
D.P. = 3,09

80

A E(x,y) = xi.yj. p(xi , yj)


E(x,y) = (-2) . (1). (0,1) + (-2) . (2) . (0,2) + ... +(5) . (2) . (0) = 0,9
A Covarincia dada por Cov(x,y) = E(x,y) E(x) . E(y) = 0,9 [1,4 . 1] = - 0,5
A Correlao ser: (x, y ) =

Cov(x, y ) =
0,5
= - 0,3
(x ) . (y )
0,49 . 3,09

Se utilizarmos P(X=xi,Y = yj) = P(X=xi).P(Y = yj) verificaremos que em alguns casos ela no ser satisfeita para
algum i e j, logo X e Y no so independentes.

81

Exerccios
1.

Sabe-se que a chegada de clientes a uma loja de material computacional, durante intervalos aleatoriamente
escolhidos de 10 minutos, segue uma distribuio de probabilidade dada na tabela abaixo. Calcule o nmero
esperado de chegada de clientes por intervalo de 10 minutos, e calcule tambm o desvio padro das
chegadas.
Nmero de chegadas X
Probabilidade p(x)

0
0,15

1
0,25

Respostas E(x) = 2

2.

15
0,05

Respostas

16
0,1

17
0,25
e

18
0,3

19
0,2

20
0,1

Var(x)= 1,66

2
0,15

E(x) = 4

3
0,2
e

4
0,25

5
0,19

6
0,1

7
0,05

8
0,02

Var(x)= 2,52

Dada a v.a.
x
p(x)

-1
0,2

2
0,3

Calcule a mdia e o desvio padro da v.a. Y =

5
0,4

8
0,1

4
x-3
3

Uma v.a. discreta tem distribuio de probabilidade dada por:


P(x) =

K
, para x = 1, 3, 5, 7
x

a) Calcule o valor de K
6.

5
0,05

Var(x)= 1,9

E(x) = 17,8

1
0,04

Respostas

5.

4
0,1

Um vendedor determinou as probabilidades referentes a vendas dirias visitando 10 possveis compradores,


as probabilidades esto apresentadas na tabela abaixo. Calcule o nmero esperado de vendas e o desvio
padro

Nmero de vendas X
Probabilidade p(x)

4.

3
0,2

A venda de uma revista mensal em uma banca segue uma distribuio de probabilidade dada na tabela
abaixo. Calcule o valor esperado e a varincia.

Nmero de revistas em
Milhares X
probabilidade de X

3.

2
0,25

b) Calcule P(x = 5)

Verifique se a funo abaixo uma legtima f.d.p.

1
x, se 0 x 1
f ( x) = 2

0, caso contrrio
82

7.

Verifique se X e Y so independentes para a distribuio conjunta de probabilidade dada abaixo.

X
Y
0
1
2
p(x)

8.

1
0,2
0,08
0,12

2
0,2
0,08
0,12

p(y)

Sejam M e N duas v.a. aleatrias independentes com as seguintes distribuies de probabilidade

M
p(m)
a)
b)
c)
d)
9.

0
0,1
0,04
0,06

1
0,6

3
0,4

N
p(n)

5
0,3

10
0,5

12
0,2

Achar a distribuio conjunta de probabilidade de M e N;


Calcular E(m) e E(n)
Calcule a covarincia de M e N
Encontre a correlao de M e N

As v.a. X e Y admitem a seguinte distribuio conjunta de probabilidade.

X
Y

1
0,2
a

4
5
p(x)

2
0,15
0,15

3
b
0,15

p(y)

Encontre a e b para que as v.a. X e Y sejam independentes.


10. Utilizando a Funo Densidade de Probabilidade do exerccio % encontre a mdia e a varincia.
11. Suponha que X e Y tenha distribuio conjunta dada pela tabela abaixo.

X
Y
-1
0
1

-1
0
1/5
0

0
1/5
1/5
1/5

1
0
1/5
0

a) Encontre a cov(X,Y)
b) Ache a Correlao de X e Y
c) Verifique se x e Y so independentes.

83

UNIDADE X DISTRIBUIO DISCRETA

INTRODUO VARIVEIS ALEATRIAS


Quando na prtica desejamos investigar algum fenmeno, estamos na realidade interessados
em estudar a distribuio de uma ou mais variveis. Do ponto de vista prtico, desejvel que se defina uma
varivel aleatria (v.a.) associada a uma amostra ou experimento, de tal modo que seus resultados possveis
sejam numricos. Por exemplo, a jogada de uma moeda tem dois resultados - cara (k) ou coroa (c) - que no so
numricos. Poderamos ento considerar como nossa varivel aleatria o nmero de caras numa jogada, que
tem os valores numricos possveis 0 e 1. Para uma moeda jogada duas vezes, nossa varivel aleatria poderia
ser nmero de caras em duas jogadas, como os valores numricos 0, 1 e 2. Outro exemplo de varivel
aleatria seria o nmero de fregueses que entram numa grande loja num intervalo de 20 minutos: 0, 1, 2, ....
Ainda outro exemplo de varivel aleatria seria a altura dos estudantes numa sala de aula de uma universidade,
com um mbito contnuo que iria, digamos, de 1,5 a 2,0m.
Para todos os exemplos aqui descritos, atribumos a um ponto amostral um nico valor real,
conhecido como varivel aleatria unidimensional. Porm, na maioria das vezes, h interesse em atribuir, para
um mesmo ponto amostral, duas ou mais caractersticas numricas. Assim, por exemplo, podemos estar
interessados em investigar, ao mesmo tempo, a altura (h) e o peso (p) de uma pessoa em uma certa populao.
Neste caso, temos o par (h, p), que dito como varivel aleatria bidimensional.
As varveis aleatrias podem ser do tipo:

Discreta: uma varivel aleatria considerada discreta se toma valores que podem ser contadas. Exemplos
de variveis aleatrias discretas so

nmero de acidentes de carro por semana;

nmero de defeitos em sapatos produzidos;

nmero de terremotos;

nmero de livros em uma estante.

Contnua1: uma varivel aleatria considerada contnua quando pode tomar qualquer valor de um
determinado intervalo. Alguns exemplos de v.a. contnua so apresentados a seguir:

pesos de caixas de laranja;

alturas de rvore;

durao de uma conversa telefnica.

DISTRIBUIES DISCRETAS
PROVAS INDEPENDENTES. FRMULA DE BERNOULLI.
A frmula de Bernoulli designada atravs dos ensaios de Bernoulli, que na realidade so
ensaios independentes repetidos, cada um deles com apenas dois resultados possveis e cujas probabilidades
permanecem constantes durante toda a realizao dos ensaios. usual denotarmos as duas probabilidades por p e
por q = 1-p, e nos referimos ao resultado que tem probabilidade p como um sucesso S e q como um fracasso F.
1

Este tipo de varivel ser abordado na prxima unidade.


84

Obviamente p e q 0 e que p+q = 1. O espao amostral associado a cada ensaio individualmente formado por
um dos dois pontos.
EXEMPLO:
Suponhamos o lanamento de uma moeda (honesta), ocorre sucesso quando aparecer cara. Ento o
espao amostral ser S ou F, para um lanamento.

1 , se ocorrer valor " cara" (S)


X=
0 , se ocorrer valor " coroa" (F)

P(x = 1) = p = P(S)
P(x = 0 ) = 1 p = q = P(F)

ento:

P(X = x ) = p x (1 p )

1 x

para x = 0, 1, que conhecida como Distribuio de Bernoulli, com parmetros 1 e p:


Xi ~ Bernoulli(1,p)
Sabemos que:

Esperana matemtica: E(x) = p

Varincia: Var(x) = p(1-p) = pq.

Suponhamos agora n ensaios de Bernoulli. O espao amostral associado contm 2n pontos ou


sucesso de n smbolos S ou F, cada um deles representando um resultado possvel do experimento. Como os
ensaios so independentes, suas probabilidades se multiplicam. Em outras palavras, a probabilidade de qualquer
seqncia especificada o produto obtido quando substitumos os smbolos S ou F por p e q, respectivamente.
Dessa forma:

P(SSFSFF...FS) = ppqpqq...qp.
EXEMPLO 1:
Suponhamos o lanamento de uma moeda honesta 3 vezes, onde a ocorrncia de cara, corresponde ao
sucesso. Ento o nmero de elementos do espao amostral ser 23 = 8. Abaixo est indicado o espao amostral
com suas respectivas probabilidades:

SSS p 3

2
SSF p q
EspaoAmostral =
2
SFS p q
SFF pq 2

FSS p 2 q

FSF pq 2

FFS pq 2
FFF q 3

85

EXEMPLO 2:
Supor que em certa comunidade a probabilidade de uma pessoa ter problemas de psicose seja igual a
0.01. Se definimos:

1 , se uma certa pessoa da comunidade tem psicose


Y =
0 , se caso contrrio
Teremos ento que Y uma v.a de Bernoulli e sua distribuio dada por:
y

P(Y=y)

0,99

0,01

DISTRIBUIO BINOMIAL
Vamos supor que estamos interessados em calcular a probabilidade de se obter exatamente
duas faces 4 em trs lanamento de um dado.
possvel descrever este procedimento atravs das seguintes combinaes:
(44N) ou (4N4) ou (N44)
em termos de probabilidade ficaria:
P[(44N) (4N4) (N44)]
Como esses trs eventos so mutuamente exclusivos, ento:
P[(44N) (4N4) (N44)] = P(44N) + P(4N4) + P(N44)]=( 5 1 1 + 1 5 1 + 1 1 5 )
6 6 6 6 6 6 6 6 6
As probabilidades destes trs casos so iguais podendo ser escritas da seguinte forma:
2

1
5
=3
6

3 2

onde o nmero 3 tambm poder ser escrito como a C 23 =

n!
3!
=
(n - x )! x! (3 2)!3!

Quando observamos uma sucesso de n ensaios de Bernoulli, estamos interessados apenas no


nmero total de sucessos e no na ordem em que eles ocorrem. O nmero de sucessos poder ser qualquer um
dos nmeros 0, 1, 2, 3,..., k. Em n ensaios h ocorrncia de n-k fracassos. E isto pode acontecer de tantas

n
k

maneiras quantas so as formas de distribuirmos as k letras S em n posies, ou seja, maneiras diferentes de


k n-k

ocorrer k sucessos, a cada maneira associarmos a probabilidade p q


k=2 (sucessos):

SSF p 2 q
SFS p 2 q
FSS p 2 q

. Considerando o exemplo anterior, para

n = 3 n 3

= = = 3 maneiras
k = 2 k 2

86

Da,

3
P( x = 2 ) = p 2 q 1 = 3 p 2 q 1
2
1 , se ocorrer sucesso no i - simo ensaio
Xi =
0 , se ocorrer falha no i - simo ensaio
onde i = 1, 2, 3, ..., n
Se Xi ~ Bernoulli(1,p), ento a seqncia (X1, X2, ..., Xn) poder obter 2n resultados do tipo
(0,0,1,1,...,0), (0,0,...,1,1), (1,1,...,1).
Se X = Xi, ento X = nmero de sucessos nos n ensaios, da,

n
P(x = 0 ) = p 0 q n 0
0
n
P(x = 1) = p1 q n 1
1
K
n
P(x = k ) = p k q n k
k
para k = 0, 1, 2, ... , n.
Neste caso dizemos que:
X ~ Binomial(n,p)
Se x = x1+ x2+ ... + xn, onde cada xi ~ Bernoulli(1,p) apresenta, respectivamente, uma esperana
matemtica e varincia E(xi) =p e Var(xi) =p(1-p), ento, para a distribuio binomial teremos:

Esperana matemtica: E(x) = np

Varincia: Var(x) = p(1-p) = npq.

CARACTERSTICAS DA DISTRIBUIO BINOMIAL


1) As repeties do experimento so independentes,
2) uma soma de Bernoulli,
3) A v.a X, conta o nmero de sucessos nas n repeties do experimento. (ensaios de Bernoulli),
4) Existe P(Sucesso) = p constante e consequentemente q = P(F) = 1-p, tambm constante.
Em particular a probabilidade de que no ocorra sucesso :

P(x = 0) = p 0 (1 p ) = q n
n

87

E a probabilidade de que ocorra pelo menos um sucesso :

P(x 1) = 1 P(x < 1) = 1 P(x = 0) = 1 q n


EXEMPLO 1:
Em oito lanamentos de uma moeda, qual ser a probabilidade de ocorrerem pelo menos duas caras?
Definindo a v.a aleatria X = nmero de caras nos oito lanamentos, verificamos de imediato que
X~Binomial(8,1/2). Assim:

P(pelo menos duas caras) = P(x 2) = 1 [P(x = 0) + P(x = 1)]

Exerccios
1. A probabilidade de um atirador acertar o alvo de 25%. Se ele atirar cinco vezes, qual a probabilidade dele
acertar dois tiros.
2. Suponha que 1% dos programas que do entrada no guich de atendimento ao aluno, no CPD da UCB, no
so executados devido a erros. Se em um dado dia 500 programas do entrada no referido guich, calcule:
a) A probabilidade de que todo a os programas tenham sido executados
b) O nmero esperado de programas no executados devido a erro de impresso.
3. Os registros de uma pequena companhia indicam que 40% das faturas por ela emitidas so pagas aps o
vencimento. De 14 faturas expedidas, determine a probabilidade de:
a)
Nenhuma ser paga com atraso.
b)
No mximo 2 serem pagas com atraso.
c)
Ao menos 3serem pagas com atraso.

88

UNIDADE XI DISTRIBUIO CONTNUA

DISTRIBUIO NORMAL
uma das mais importantes distribuies de probabilidades, sendo aplicada em inmeros
fenmenos e constantemente utilizada para o desenvolvimento terico da inferncia estatstica. tambm
conhecida como distribuio de Gauss, Laplace ou Laplace-Gauss.
Seja X uma v.a. (varivel aleatria) contnua. X ter distribuio normal se:

f ( x) =

1 X

<x<

onde os parmetros e 2 so respectivamente a Mdia e a Varincia.


A notao utilizada :
X ~ N ( , 2 )
que lida da seguinte forma: a v.a. X se aproxima a uma distribuio normal com mdia e varincia 2 .
Para o clculo das probabilidades, surgem dois grandes problemas: primeiro, para a integrao
de f(x) , pois para o clculo necessrio o desenvolvimento em srie; segundo, seria a elaborao de uma tabela
de probabilidades, pois f(x) depende de dois parmetros, fato este que acarretaria um grande trabalho para tabelar
essas probabilidades considerando-se as vrias combinaes de e 2 .
Os problemas foram solucionados por meio de uma mudana de varivel obtendo-se, assim, a
distribuio normal padronizada ou reduzida.

VARIVEL NORMAL PADRONIZADA


A varivel Z dada por:

onde X uma varivel normal de Mdia e varincia 2 .


Ento a esperana matemtica e a varincia de Z ser respectivamente:
E[z] = 0
Var[z] = 1
Ento sua funo ser:

( z) =

1
2

1
z2
2

A notao utilizada :
X~N(0,1)
que lida da seguinte forma: a v.a. X se aproxima a uma distribuio normal padronizada com mdia 0 e
varincia 1. As probabilidades, isto , as reas sob esta curva esto tabeladas.
89

PROPRIEDADES DA CURVA NORMAL


O grfico da funo densidade de uma varivel normal tem a forma de um sino e simtrico
em relao mdia . Fixando-se a mdia, verificamos que o achatamento est diretamente ligado ao valor
de . Ou seja,

Analisando os grficos da distribuio normal padro, poderemos destacar as seguintes


propriedades:

1. f(x) simtrica em relao origem X= ou (z) simtrica em relao origem z=0;


2. f(x) possui um ponto de mximo para x = ou (z) possui um ponto de mximo para z=0 e, neste caso, sua
ordenada vale

1
2

0,39 .

3. f(x) tende a zero quando x tende para ou (z) tende a zero quando z tende para ;
4. f(x) tem dois pontos de inflexo cujas abcissas valem + e - ou (z) tem dois pontos de inflexo
cujas abcissas valem -1 e +1.

90

Stevenson, William J. Estatstica aplicada administrao. Harper & Row do Brasil, So Paulo, 1986, p.461

91

Exemplos:
1.

Para cada item abaixo monte a curva normal, pinte a rea e encontre a probabilidade.
a)

P(0 < z < 1)

b)

P(-2,25 < z < 1,2)

c)

P(z > 1,93)

2. As alturas dos alunos de determinada escola so normalmente distribudas com mdia 1,60m e desvio
padro de 0,30m. Encontre a probabilidade de um aluno medir:
a)

Entre 1,5 e 1,8m

b)

Mais de 1,75

c)

Menos de 1,48

d)

Qual deve ser a medida mnima para escolhermos 10% dos mais altos?

92

UNIDADE XII ESTIMAO


INTRODUO
O processo de estimao tem por finalidade avaliar parmetros de uma distribuio.
Podemos utilizar um nico nmero real para avaliar um parmetro. Neste caso estamos procedendo a uma
estimao pontual.
O valor da mdia amostral uma estimao por ponto. Da mesma forma o valor da varincia, desvio
padro e proporo amostrais so estimativas por ponto dos parmetros varincia, desvio padro e proporo
populacionais, respectivamente.
Estimador
s (x)

Estimativa por ponto


x = 20
s2(x) = 5

s(x)

s(X) = 2

p = 0,3

Parmetro

2 (x )
(x )
p

Fazendo uso da estimativa por ponto encontramos uma dificuldade a de que amostras diferentes
conduzem normalmente a estimativas diferentes. A variabilidade no pode ser controlada neste processo.
O controle estatstico desta variabilidade nos leva ento a fixar a estimao atravs de um intervalo.
INTERVALO DE CONFIANA
um intervalo real, centrado na estimativa pontual que dever conter o parmetro com determinada
probabilidade. Esta probabilidade ser conhecida como nvel de confiana associado ao intervalo.
A notao mais usual para o nvel de confiana 1- .
Se pensarmos em uma diferena entre o valor estimado e o parmetro, j que diferentes amostras
conduzem a valores diferentes de estimadores, estaremos calculando o erro-padro de estimativa.

e = |estimativa parmetro |
O controle da preciso se resumir na determinao do erro-padro da estimativa.
DISTRIBUIO AMOSTRAL DAS MDIAS
Considere a seguinte populao x={2, 3, 4, 5}.
Esta populao apresenta = 3,5 2 (x ) = 1,25 (x ) = 1,12
Se ns considerarmos todas as amostras de tamanho n=2 que podemos obter com reposio teremos:
A1 = (2,2)
A2 = (2,3)
A3 = (2,4)
A4 = (2,5)
A5 = (3,3)

A6 = (3,4)
A7 = (3,5)
A8 = (4,4)
A9 = (4,5)
A10 = (5,5)

Cada uma destas amostras possui um valor mdio:

x1 = 2
x 2 = 2,5

x3 = 3
x 4 = 3,5
x5 = 3

x 6 = 3,5
x7 = 4
x8 = 4
x 9 = 4,5
x 10 = 5
93

Podemos calcular a mdias das mdias bem como a sua varincia e o seu desvio-padro, assim:
x = 3,5 2 (x ) = 0,75 (x ) = 0,87
Note que:
A mdia das mdias igual a mdia populacional : x = ;
A varincia das mdias amostrais mantm com a varincia populacional a seguinte relao :

2 (x ) =

2 (x )
n

2
1,25
No exemplo: 2 (x ) = (x ) =
= 0,75
2
n

Estes resultados so concluses gerais dos seguintes teoremas:


1.

Se a varivel aleatria x admite distribuio Normal de probabilidade com mdia e desvio padro

(x ) , ento a distribuio amostral das mdias tambm normal com mdia x = e desvio padro

2 (x ) =
2.

2 (x )
;
n

e desvio padro (x ) , ento distribuio amostral das


mdias se aproxima de uma distribuio normal com mdia x = e com desvio-padro
Se uma varivel aleatria x tem mdia

2 (x ) =

2 (x )
, a medida que o nmero n de elementos tende a infinito.
n

EXEMPLO:
1. Uma v.a. x tem distribuio normal com mdia 20 e desvio-padro de 3. Calcule a probabilidade de que uma
amostra de 20 elementos selecionada ao acaso tenha mdia maior que 21.
O INTERVALO DE CONFIANA PARA A MDIA POPULACIONAL
Como j foi estudado para se transformar uma distribuio Normal x em uma distribuio Normal z
utilizamos a mudana de varivel z =

x -
(x )

A transformao da distribuio x na distribuio z , por analogia: z = x - x como foi visto


(x )

2
anteriormente x = e 2 (x ) = (x ) , logo: z = x - .

(x )
n

Em termos de distribuio normal z o nvel de confiana a probabilidade de o intervalo conter o

parmetro estimado, isto representa a rea central sob a curva normal entre os pontos

- z e z ,
2

94

Observe que a rea total sob a curva normal unitria. Se a rea central 1- ., a notao

- z representa o valor de z que deixa a sua esquerda


2

sua direita a rea

, e a notao

z representa o valor de z que deixa a


2

. Desta forma:

P( - z < z <
2

z ) = 1-
2

Se substituirmos o valor de z por z =

x -
e utilizando alguns clculos matemticos encontraremos a
(x )
n

expresso final do Intervalo de Confiana para a estimativa da mdia populacional.

(x )
(x )
= 1
< < x + z
p x - z

n
n
2
2

Para calcular esta expresso deveremos pressupor o conhecimento do desvio-padro populacional, e que a
amostragem foi obtida com reposio. Alm disso importante salientar que z
2

(x ) representa o erro-padro
n

de estimativa, e que os limites so estabelecidos pelos valores (estimativa erro, estimativa +erro)
EXEMPLO:
1.

O departamento de recursos humanos de uma grande empresa informa que o tempo de execuo de tarefas
que envolvem participao manual varia de tarefa para tarefa, mas que o desvio padro permanece
aproximadamente constante, em 3 minutos.Uma nova tarefa est sendo implantada na empresa. Uma amostra
aleatria do tempo de execuo de 50 destas novas tarefas forneceu o valor mdio de 15 minutos. Determine
um intervalo de confiana de 95% para o tempo mdio de execuo desta nova tarefa.

95

UNIDADE XIII TESTES DE SIGNIFICNCIA


INTRODUO
Como vimos toda avaliao feita sobre um parmetro populacional, o qual no possumos nenhuma
informao, pode ser resultado do processo de estimao feito atravs do Intervalo de Confiana.
Se j possumos alguma informao, podemos test-la no sentido de aceit-la como verdadeira ou rejeit-la.
Os Teste de Significncia tem por finalidade, a partir da elaborao de uma Hiptese Nula H0 e de uma
Hiptese Alternativa Ha, verificar a aceitabilidade ou no da informao. Por isso ser conhecida como uma Regra de
Deciso.
Para sermos mais claro, isto significa que a partir de uma amostra de uma determinada populao iremos
confirmar ou no o valor do parmetro atravs da anlise de deciso sobre aceitar H0 ou rejeitar H0. Quando nos
propuser utilizar tal procedimento devemos ter em mente que estamos sujeitos a erros e acertos na deciso. De um
modo geral, em qualquer tipo de deciso, os acertos e os erros podem ser dispostos segundo o quadro abaixo:

Deciso
Aceita-se H0
Rejeita-se H0

Estado da Natureza
H0 verdadeira
H0 falsa
Deciso Correta
Erro tipo II
Erro tipo I
Deciso Correta

Erro Tipo I - Consiste em rejeitar H0 quando H0 verdadeira


Erro Tipo II - Consiste em aceitar H0 quando H0 falsa
Nvel de Significncia do Teste - a probabilidade de se cometer o erro Tipo I, ou seja, rejeitar uma Hiptese
verdadeira. O Nvel de significncia ser denotado por .
A probabilidade do erro Tipo II no possui um nome em especial mais ser conhecida como erro .
A fixao da Hiptese alternativa que diferencia os vrios tipos de Teste.
EXEMPLOS
1. Julgamento do Ru
Deciso
Inocente
Culpado

Estado da Natureza
Inocente
Culpado
Deciso Correta
Erro tipo II
Erro tipo I
Deciso Correta

O erro Tipo I, no caso, seria julgar o ru culpado, quando na verdade ele inocente.
O erro Tipo II seria julgar o ru inocente, quando na verdade ele culpado.
2. Deciso de um mdico sobre uma cirurgia
Deciso
Opera
No Opera

Estado da Natureza
Precisa Operar
No Precisa Operar
Deciso Correta
Erro tipo II
Erro tipo I
Deciso Correta

O erro Tipo I seria no operar, quando na verdade o paciente precisa ser operado.
O erro Tipo II seria operar, quando o paciente no precisa ser operado.
Na realizao dos testes, controlaremos o erro tipo I, procurando diminuir a probabilidade de sua ocorrncia.
Quando controlarmos os nveis e , estaremos realizando um Teste de Hiptese.

96

TIPOS DE TESTES.

1 Tipo - H 0 : parmetro = r
H a : parmetro > r

H 0 : parmetro = r
2 Tipo -

H a : parmetro < r

H 0 : parmetro = r
3 Tipo -

H a : parmetro r

A realizao de um Teste Compreende as seguintes etapas


1.
2.
3.
4.
5.

Identificar H0;
Identificar Ha (ateno, pois Ha define o tipo de teste a ser empregado)
Construir a regio crtica para o teste escolhido;
Calcular o estimador e verificar se ele se situa na regio de aceitao ou na regio de rejeio da hiptese
H0.
Deciso do teste Se o estimador estiver na regio de aceitao se Aceita H0
Se o estimador estiver na regio de rejeio, Rejeita-se H0.

TESTE DE SIGNIFICNCIA PARA A MDIA

O melhor estimador para e x . A distribuio amostral das mdias normal, com: z =

x -
(x )
n

H 0 : = b
1 Teste - H : > b
a

A regio crtica (de Rejeio RR) : z =

x -
(x )
n

2 Teste

H 0 : = b

H a : < b

A regio crtica (de Rejeio RR) : z = x -

(x )
n

3 Teste

H 0 : = b

H a : b

A regio crtica (de Rejeio RR) : z =

x -
(x )
n

97

EXEMPLO

1. Uma amostra Aleatria de 40 elementos retirados de uma populao normal com desvio padro igual a 3
apresentou um valor mdio igual a 60. Teste, ao nvel de significncia de 5%, a hiptese de que a mdia populacional
seja igual a 59, supondo a hiptese alternativa >59.
Soluo:
H 0 : = 59

H a : > 59
Ao nvel de 5% de significncia, a regio crtica para a hiptese nula :

O valor de zt = 1,64 proveniente da tabela normal onde no corpo podemos procurar o valor de 0,5 - 0,05.
O valor de zc dado por:

zc =

x - = 60 - 59 = 2,11
(x )
3
n
40

Como o valor de zc = 2,11 est na regio de rejeio para a hiptese H0. No temos motivos para aceitar H0.
2. Uma amostra aleatria de 20 elementos selecionados de uma populao normal com varincia 3 apresentou
mdia 53. Teste ao nvel de significncia de 5% a hiptese =50.
Soluo
H 0 : = 50

H a : 50
Ao nvel de 5% de significncia, a regio crtica para a hiptese nula :

O valor de zc dado por:

zc =

x - = 53 - 50 = 7,755
(x )
1,73
n

20

Como o valor de zc = 7,755 est na regio de rejeio para a hiptese H0. No temos motivos para aceitar H0.

98

Exerccios
1. Uma agncia de empregos alega que os candidatos por elas colocados nos ltimos 6 meses tm salrios de
R$9.000,00 anuais, em mdia. Uma agncia governamental extraiu uma amostra aleatria daquele grupo,
encontrando um salrio mdio de R$8.000,00, com desvio-padro de R$1.000,00 com base em 50 empregados.
Teste a afirmao da agncia, contra a alternativa de que o salrio mdio inferior a R$9.000,00, ao nvel de
significncia de 0,05.
2. A DeBug Company vende um repelente de insetos que alega ser eficiente pelo prazo de 400 horas no mnimo. Uma
anlise de nove itens escolhidos aleatoriamente acusou uma mdia de eficincia de 380 horas. Teste a alegao da
companhia, contra a alternativa que a durao inferior a 400 horas, ao nvel de 0,01, se o desvio-padro 90 horas.

99