Universidade do Minho

Escola de Economia e Gesto

Mtodos Quantitativos III
Licenciatura em Negcios Internacionais
1
o
Semestre do ano Lectivo 2004/2005
Docente: Priscila Ferreira
ndice
1 Revises de estatstica 1
1.1 Coleco de dados e distribuies de frequncias . . . . . . . . . . . . 1
1.2 Medidas de Localizao: mdia, mediana e moda . . . . . . . . . . . 7
1.2.1 Mdia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Medidas de disperso . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Varincia e desvio padro . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Desvio mdio . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.3 Extremos e Quartis . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Medidas de assimetria e de achatamento . . . . . . . . . . . . . . . . 11
1.4.1 Assimetria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.2 Curtose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2 Teoria das Probabilidades 16
2.1 Conceitos bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1 Experincia aleatria . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.2 Espao de resultados . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.3 Tipos de acontecimentos aleatrios . . . . . . . . . . . . . . . 17
2.1.4 Propriedades das operaes denidas sobre acontecimentos . . 19
2.2 Denio de Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.1 Denio Clssica (ou de Laplace ou priori). . . . . . . . . . 20
2.2.2 Denio frequencista (ou posteriori) . . . . . . . . . . . . . 20
2.3 Axiomas e Teoremas das probabilidades . . . . . . . . . . . . . . . . 21
2.4 Propriedades dos conjuntos . . . . . . . . . . . . . . . . . . . . . . . 24
i
2.5 Probabilidades condicionadas . . . . . . . . . . . . . . . . . . . . . . 24
2.6 Probabilidade da interseco de acontecimentos e acontecimentos in-
dependentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.7 Teorema da probabilidade total e teorema de Bayes . . . . . . . . . . 27
2.8 Anlise combinatria . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.8.1 Processos de contagem (sem repetio) . . . . . . . . . . . . . 33
2.8.2 Processos de contagem (com repetio/reposio) . . . . . . . 34
3 Distribuies tericas de probabilidade 37
3.1 Claricao de conceitos . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Distribuies discretas de probabilidade . . . . . . . . . . . . . . . . . 38
3.2.1 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . 46
3.2.2 Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . 56
3.3 Distribuies contnuas de probabilidade . . . . . . . . . . . . . . . . 62
3.3.1 Distribuio Normal ou de Gauss . . . . . . . . . . . . . . . . 66
3.3.2 Distribuio Normal reduzida ou tipicada ou standardizada . 67
3.3.3 Aproximao entre distribuies . . . . . . . . . . . . . . . . . 68
3.3.4 Distribuio Qui-Quadrado . . . . . . . . . . . . . . . . . . . 73
3.3.5 Distribuio t-Student . . . . . . . . . . . . . . . . . . . . . . 76
3.3.6 Distribuio F-Snedecor . . . . . . . . . . . . . . . . . . . . . 78
3.4 Estimadores estatsticos dos parmetros das distribuies . . . . . . . 79
3.4.1 Propriedades desejveis dos estimadores . . . . . . . . . . . . 80
3.4.2 Preciso de uma estimativa . . . . . . . . . . . . . . . . . . . 80
3.4.3 Testes de hipteses estatsticas . . . . . . . . . . . . . . . . . . 82
ii
Captulo 1
Revises de estatstica
1.1 Coleco de dados e distribuies de frequn-
cias
Dados - factos (nmeros, caracteres, imagens) que contm informao e so acumu-
lados de forma organizada. Por si s, os dados no tm qualquer signicado. Dados
empricos so factos originados ou baseados em observaes ou experincias. Uma
base de dados um conjunto de dados relativos a um domnio em particular.
Estatstica - um repositrio de instrumentos adequados para: recolher =
explorar e descrever = interpretar conjuntos de dados numricos.
Objectivos da anlise de dados
i) explorao de dados para descobrir ou identicar os aspectos ou pades de
maior interesse
ii) representao dos dados de maneira a destacar esses mesmos aspectos ou
padres
Coleco de dados - signica um conjunto de valores similares (independente-
mente da forma como foram recolhidos).
Populao - em estatstica, designa um conjunto de elementos com alguma car-
acterstica comum. A estatstica descritiva, fornece instrumentos para descrever as
caractersticas de uma populao, medindo cada um dos seus elementos e sumar-
iando o conjunto de medidas de vrias formas.
1
Amostra - em estatstica, um grupo de observaes retirados, (muitas vezes)
de forma aleatria, de uma populao com o objectivo de investigao. A inferncia
estatstica consiste num conjunto de procedimentos que, a partir da construo de
amostras e da anlise de informao extrada a partir dessas amostras, permitem
retirar concluses acerca de caractersticas de uma populao.
A principal diferena entre populao e amostra reside no facto de que com a
populao o interesse o de identicar as suas caractersticas, enquanto que para a
amostra o interesse o de fazer inferncia sobre as caractersticas da populao a
partir da qual a amostra foi retirada.
Quando nos deparamos com uma coleco numerosa de dados - N grande -
torna-se necessrio simplicar a explorao ou descrio dos dados e ter uma ideia
do conjunto de caractersticas mais relevantes. Uma distribuio de frequncias
um instrumento para organizar dados. utilizada para agrupar os dados em
categorias e mostrar o nmero de observaes em cada categoria.
Exemplo:
Observem-se as notas de um teste de matemtica
65 91 85 76 85 87 79 93
82 75 100 70 88 78 83 59
87 69 89 54 74 89 83 80
94 67 77 92 82 70 94 84
96 98 46 70 90 96 88 72
Com os dados nesta forma torna-se difcil ter sensibilidade para os interpretar
porque os dados esto desorganizados.
O nmero de vezes que um acontecimento observado na coleco ou amostra
denomina-se de frequncia absoluta.
2
Nota Freq. abs.
46 1
54 1
59 1
65 1
67 1
69 1
70 3
72 1
74 1
75 1
76 1
77 1
78 1
79 1
80 1
80
X
i=46
n
i
17
Nota Freq. abs.
82 2
83 2
84 1
85 2
87 2
88 2
89 2
90 1
91 1
92 1
93 1
94 2
96 2
98 1
100 1
100
X
i=82
n
i
23
A construo deste tipo de quadros de frequncias no apresenta diculdades.
Podemos, contudo, construir quadros um pouco mais elaborados que compreendem
os seguintes passos:
i) denio das classes de valores. A denio das classes consiste na xao dos
limites (inferior e superior) dos intervalos/classes;
ii) contagem dos valores pertencentes a cada classe.
Na construo deste tipo de distribuio de frequncias deve ter-se em consider-
ao o seguinte:
- cada valor deve enquadrar-se numa categoria. As classes devem ser mutuamente
exaustivas.
- nenhum valor deve enquadrar-se em mais do que uma categoria. As classes
devem ser mutuamente exclusivas.
- se possvel, devem criar-se intervalos de igual dimenso.
Para construir uma distribuio de frequncias devemos identicar o valor mx-
imo e o mnimo da lista. O valor mnimo 46 e o valor mximo 100. Podemos
3
ento criar um conjunto de categorias. Por exemplo: 41-50, 51-60, 61-70, 71-80,
81-90, e 91-100. O resultado:
Classe Freq. abs
41-50 1
51-60 2
61-70 6
71-80 8
81-90 14
91-100 9
Com os dados nesta forma, podemos facilmente ver que o maior nmero de testes
tem nota no intervalo 81-90, e que a maioria dos testes tm uma nota entre 71 e
100.
Uma extenso distribuio de frequncias olhar para o nmero de vezes que
um acontecimento observado em relao ao nmero total de casos, ie, analisar a
percentagem de valores que esto em cada categoria. A este procedimento chamamos
de distribuio de frequncias relativas.
Classe Freq. abs Freq. rel. %
41-50 1 1/40 2,5
51-60 2 2/40 5
61-70 6 6/40 15
71-80 8 8/40 20
81-90 14 14/40 35
91-100 9 9/40 22,5
N 40 40/40 100
Por m, a distribuio de frequncias acumuladas d-nos a frequncia ab-
soluta ou relativa de observaes menores ou iguais a um detrminado ponto.
4
Classe Freq. abs Freq. abs. Ac. Freq. rel. % Freq. rel. acum.
41-50 1 1 1/40 2,5 2,5
51-60 2 3 2/40 5 7,5
61-70 6 9 6/40 15 22,5
71-80 8 17 8/40 20 42,5
81-90 14 31 14/40 35 77,5
91-100 9 40 9/40 22,5 100
N 40 40/40 100
Representao Grca
Histograma - a representao grca de distribuies de frequncias de variveis
contnuas feita por meio de um diagrama de reas (histograma) formado por uma
sucesso de rectngulos adjacentes tendo cada um por base um intervalo de classe e
por altura a respectiva frequncia absoluta ou relativa.
0
2
4
6
8
10
12
14
16
41-50 51-60 61-70 71-80 81-90 91-100
F
r
e
q
.

A
b
s
.
Classe
Notas do teste de Matemtica
Notas do teste de Matemtica
0
5
10
15
20
25
30
35
40
41-50 51-60 61-70 71-80 81-90 91-100
F
r
e
q
.

R
e
l
.
Classe
O polgono de frequncias resulta de unir sucessivamente, por segmentos de
recta, os pontos mdios dos lados superiores dos rectngulos.
No caso de variveis discretas, contrariamente ao que se passa no caso de variveis
contnuas, a distribuio terica tem estrutura semelhante distribuio emprica.
A nica diferena que a distribuio emprica construda com base em frequn-
cias enquanto a distribuio terica construda com probabilidades (limites de
frequncia). Se a distribuio emprica denida pelos pares (
i
, f
i
), i = 0, 1, 2..., a
distribuio terica denida pelos pares (
i
, p
i
), i = 0, 1, 2..., onde p
i
a probabili-
dade de obter uma observao igual a
i
. Assim sendo, o conceito de probabilidade
reveste-se de grande importncia na caracterizao das distribuies ou modelos
tericos. Um dos problemas da estatstica explorar as distribuies empricas com
o objectivo de inferir propriedades das distribuies tericas relevantes, ou seja, ir
da amostra para a populao.
5
Exemplos de distribuies:
Distribuies simtricas: a distribuio das frequncias faz-se de forma apro-
ximadamente simtrica, relativamente a uma classe mdia:
Um caso especial de uma distribuio simtrica aquele que sugere a forma de
um "sino"e que apresentado por amostras provenientes de Populaes "Normais".
O signicado deste termo ser explicado mais tarde, no mbito das Probabilidades.
Distribuies enviesadas: a distribuio das frequncias faz-se de forma acen-
tuadamente assimtrica, apresentando valores substancialmente mais pequenos num
dos lados, relativamente ao outro:
Distribuies com caudas longas: a distribuio das frequncias faz-se de
tal forma que existe um grande nmero de classes nos extremos, cujas frequncias
so pequenas, relativamente s classes centrais:
6
Destes exemplo se depreende que localizao, disperso e assimetria so aspectos
fundamentais a considerar nas coleces de dados e das distribuies de frequncia
e dos respectivos grcos.
1.2 Medidas de Localizao: mdia, mediana e
moda
A localizao ou a tendncia central refere-se concentrao dos dados de uma
amostra ou populao em torno de um valor intermedirio. As principais medidas
de tendncia central so a mdia aritmtica, a mediana e a moda.
1.2.1 Mdia
A mdia aritmtica ou simplesmente mdia de uma varivel quantitativa a medida
de tendncia central mais utilizada devido facilidade de seu clculo e facilidade
de interpretao.
Se x
1
, x
2
, ..., x
N
constituem a populao de dados de uma varivel quantitativa
X, a mdia aritmtica desta populao :
=
x
1
+x
2
+...+x
N
N
=
N
X
i=1
x
i
N
No caso de uma amostra de n dados de uma varivel quantitativa X, a mdia
aritmtica
x =
n
X
i=1
x
i
n
Utilizar todas as observaes para o clculo da mdia tem como vantagem o facto
de no haver perda de informao. Tal procedimento tem, porm, a desvantagem
de tornar a mdia muito sensvel a outliers.
1.2.2 Mediana
A mediana de N dados da populao de uma varivel quantitativa o valor que
se localiza no centro do conjunto de dados quando estes so dispostos em ordem
7
crescente. Consequentemente, metade ou 50% dos dados esto abaixo da mediana
e a metade ou os 50% restantes esto acima da mesma.
Se N mpar, a mediana o valor que ocupa a posio
N+1
2
; se N par, a
mediana , por conveno, a mdia aritmtica entre o valor de posio
N
2
e o de
posio
N
2
+ 1.
No caso de uma amostra de n dados, quanto os dados so dispostos em ordem
crescente, a mediana o valor de posio
n+1
2
se n mpar; e a mdia aritmtica dos
valores de posio
n
2
e
n
2
+ 1 se n par.
1.2.3 Moda
Denomina-se moda o dado mais frequente da populao ou de uma amostra de dados
de uma varivel quantitativa. A moda pode no existir e se existir, pode no ser
nica. Assim sendo, uma distribuio de dados pode ser amodal quando no tem
moda, unimodal quando tem moda nica, bimodal quando tem duas modas e, em
geral multimodal, se tiver vrias modas.
1.3 Medidas de disperso
Estas medidas indicam o grau de disperso dos dados de uma populao ou amostra
de uma varivel quantitativa em torno de uma medida de tendncia central. A
disperso pode ser absoluta ou relativa. A disperso absoluta expressa em termos
da unidade utilizada para medir a varivel em estudo. A disperso relativa expressa
em termos percentuais tendo como base uma medida de tendncia central.
1.3.1 Varincia e desvio padro
Se x
1
, x
2
, ..., x
n
constituem a populao com mdia de N dados de uma varivel
quantitativa X, a varincia desta populao

2
=
N
X
i=1
(x
i
)
2
N
onde (x
i
) (i = 1, 2, ..., N) so os desvios dos dados em relao mdia da
populao. A varincia a mdia dos quadrados dos desvios em relao mdia
aritmtica.
8
A frmula acima pode ser modicada, considerando-se que
N
X
i=1
(x
i
)
2
=
N
X
i=1
(x
i
)
2
2
N
X
i=1
x
i
+N
2
e
=
N
X
i=1
x
i
N
Tem-se que

2
=
N
X
i=1
x
2
i
N

_
_
_
N
X
i=1
x
i
_
_
_
2
N
2
Esta frmula alm de ser mais prtica, fornece um resultado mais exacto do
que a frmula original porque evita os arredondamentos quando o valor da mdia
apresenta casas decimais.
Por outro lado, se x
1
, x
2
, ..., x
n
constituem uma amostra de n dados de uma
varivel quantitativa X, a varincia desta amostra
s
2
=
n
X
i=1
(x
i
x)
2
n1
A razo de o denominador ser n 1 em lugar de n ser explicada futuramente.
Modicando-se a frmula acima, como no caso da varincia de uma populao
tem-se que
s
2
=
N
X
i=1
x
2
i
n1

_
_
_
N
X
i=1
x
i
_
_
_
2
n(n1)
Sendo a varincia expressa em termos do quadrado da unidade de medida da
varivel em estudo, dene-se uma medida de disperso que a raiz quadrada da va-
rincia. Esta medida denominada desvio ou afastamento padro que, ao contrrio
da varincia, expressa a disperso em termos da unidade de medida da varivel,
sendo portanto mais fcil de ser interpretada.
Se x
1
, x
2
, ..., x
N
constituem a populao de N dados de uma varivel quantitativa
contnua X, o desvio padro desta populao dado por
9
=
v
u
u
t
N
X
i=1
(x
i
)
2
N
ou alternativamente por
=
v
u
u
u
t
N
X
i=1
x
2
i
N

_
_
_
N
X
i=1
x
i
_
_
_
2
N
2
Por outro lado, se x
1
, x
2
, ..., x
n
constituem uma amostra de n dados de uma
varivel quantitativa X, o desvio padro desta amostra dado por
s =
v
u
u
t
n
X
i=1
(x
i
x)
2
n1
ou alternativamente por
s =
v
u
u
t
n
X
i=1
x
i
2
n1

_
_
n
X
i=1
x
i
_
_
2
n(n1)
O desvio padro sempre no negativo e ser tanto maior quanta maior seja a
variabilidade entre os dados.
Se s = 0 no existe variabilidade, isto , os dados so todos iguais.
1.3.2 Desvio mdio
O desvio mdio ou mdia dos desvios igual mdia aritmtica dos valores absolutos
dos desvios tomados em relao a mdia ou mediana.
d =
n
X
i=1
|x
i
x|
N
O desvio mdio pode denir-se em relao a qualquer valor central. O desvio
mdio mnimo quando tomado em relao mediana. O desvio mdio inferior
ao desvio padro.
10
1.3.3 Extremos e Quartis
No caso da mediana, metade ou 50% dos dados esto abaixo da mesma e a metade
ou os 50% restantes esto acima da referida medida. A generalizao deste conceito
leva denio dos percentis.
Assim sendo, o percentil de ordem k de n dados de uma varivel quantitativa
dispostos em ordem crescente um valor tal
k
100
ou k% destes n dados esto abaixo
e
1k
100
ou 100 k% restantes esto acima do referido valor.
Se k = 50, o percentil de ordem correspondente a mediana; se k = 25, 50
e 75, os percentis com as ordens correspondentes so denominados 1.
o
quartil, 2.
o
quartil e 3.
o
quartil, respectivamente; se k = 10, 20, 30, ..., 90, os percentis de or-
dem correspondentes so denominados 1.
o
decil, 2.
o
decil, 3.
o
decil, ..., 9.
o
decil,
respectivamente.
k
esimo
percentil de uma populao de N dados quando estes esto dispostos em
ordem crescente o valor de posio
kN
100
. No caso de uma amostra de n dados, o
k
esimo
percentil da amostra o valor de posio
kn
100
.
1.4 Medidas de assimetria e de achatamento
Estes parmetros fornecem informaes sobre a forma como se distribuem os valores
observados de uma varivel. A medida de assimetria indica se h mais valores abaixo
ou acima da mdia de uma populao ou de uma amostra.
A medida de curtose (achatamento) indica se os valores intermdios de uma
amostra ou populao so dispersos ou concentrados.
1.4.1 Assimetria
O coeciente de assimetria mede o grau de deformao da curva de distribuio de
frequncias. Quando os valores observados se distribuem igualmente em torno da
11
mdia, a distribuio simtrica. Caso contrrio, a distribuio assimtrica.
Uma distribuio simtrica quando: Media = Mediana = Moda
Uma distribuio :
Assimtrica esquerda ou negativa quando: Media < Mediana < Moda
Assimtrica direita ou positiva quando: Media > Mediana > Moda
A assimetria ser tanto maior quanto mais afastados estiverem a mdia, mediana
e moda.
Grau de assimetria de Pearson:
g =
(xmo)
s
e 3 < g < 3
e, para distribuies moderadamente assimtricas se pode representar deste modo:
g

=
3(xme)
s
e 3 < g < 3
Grau de assimetria de Bowley
g
0
=
(q3me)(meq1)
(q3me)+(meq1)
e 1 < g
0
< 1
Tanto Pearson como Bowley se serviram de medidas de localizao para tornar
as suas medidas de assimetria independentes das unidades das variveis.
1.4.2 Curtose
Denomina-se curtose o achatamento ou alongamento do histograma (ou do polgono
de frequncia) de uma amostra ou da curva de frequncia de uma populao. O
grau de achatamento de uma distribuio avaliado em relao a uma distribuio
padro, denominada curva normal (curva correspondente a uma distribuio terica
de probabilidade).
Quando a distribuio apresenta uma curva de frequncia mais fechada que
a normal (ou mais aguda ou alada em sua parte superior), ela recebe o nome de
leptocrtica.
Quando a distribuio apresenta uma curva de frequncia mais aberta que
a normal (ou mais achatada em sua parte superior), ela recebe o nome de plat-
icrtica.
12
A curva normal, que a nossa base de referncia, recebe o nome de mesocr-
tica.
Coeciente de curtose:
C1 =
(Q3Q1)
2(P90P10)
Este coeciente conhecido como percentlico de curtose.
Relativamente a curva normal, temos:
C1 = 0, 263 => curva mesocrtica
C1 < 0, 263 => curva leptocrtica
C1 > 0, 263 => curva platicrtica
13
Exerccio 1 1.1. Os dados a seguir referem-se ao tempo (em horas) de funciona-
mento dos 50 computadores de certo laboratrio entre duas manutenes corretivas:
386, 399, 396, 395, 372, 373, 395, 425, 397, 395, 395, 383, 421, 387, 393, 373, 377,
415,411, 409, 400, 387, 423, 396, 400, 420, 397, 395, 410, 385, 400, 416, 379, 396,
388, 395, 383, 417, 420, 382, 399, 406, 400, 406, 402, 395, 412, 401, 401, 405.
a) Calcule e interprete o tempo mdio dos computadores deste laboratrio entre duas
manutenes corretivas.
b) Observou-se o tempo de funcionamento de 5 computadores deste laboratrio es-
colhidos ao acaso, obtendo-se a seguinte amostra: 387, 388, 383, 417, 396. Calcule
e interprete a mdia aritmtica desta amostra.
1.2. Os dados a seguir referem-se tempo (em ms) decorrido entre duas emisses
sucessivas de uma partcula em 11 amostras de um material radioativo: 32, 39,
41, 29, 36, 34, 41, 44, 42, 39, 45. Determine a mediana destes dados.
1.3. Determine a mediana dos dados do exemplo 1.1.
1.4. Observou-se a resistncia trao (em kgf) em 3 amostras de certo tipo de
cabo de ao e obteve-se os dados abaixo:
Amostra 1: 108, 112, 106, 110, 115, 108, 110, 118, 111, 110, 114, 109, 110, 116,
110, 109, 117, 109, 110, 111, 120
Amostra 2: 114, 121, 126, 115, 126, 115, 125, 124
Amostra 3: 127, 122, 119, 114, 127, 115, 123, 125.
Determine a moda de cada uma das amostras acima.
1.5. Observou-se temperatura de fuso (em
o
C) de 63 amostras de certo metal e
obteve-se os seguintes dados: 906, 914, 921, 922, 922, 923, 925, 925, 926, 926, 927,
927, 927, 929, 930, 933, 934, 935, 935, 936, 937, 937, 937, 937, 938, 938, 938,
938, 939, 940, 942, 942, 944, 946, 946, 946, 946, 946, 947, 947, 948, 948, 950, 950,
952, 952, 952, 953, 954, 954, 954, 956, 957, 959, 960, 962, 965, 968, 971, 976, 978.
Calcule e interprete o 3.
o
quartil, o 8.
o
e o 56.
o
percentil.
1.6. Indique a medida de tendncia central mais adequada em cada um dos ca-
14
sos a seguir.
a) 23, 29, 42, 30, 30, 30, 29, 27, 34.
b) 63, 85, 92, 83, 72, 800, 76, 79.
c) 23, 18, 34, 34, 34, 34, 34, 34, 32, 29, 36, 35, 42, 46, 32, 35, 36.
1.7. Os dados a seguir representam as resistncias trao (kgf) de uma amostra
de 8 cabos de ao: 33, 35, 41, 42, 34, 29, 36 e 39. Calcule a varincia desta amostra.
1.8. Calcule o desvio padro da amostra do exemplo 1.7.
1.9. O dados a seguir representam a resistncia trao (em kgf) de 80 cabos
de ao: 42, 45, 43, 36, 35, 40, 39, 37, 42, 45, 43, 38, 41, 31, 46, 42, 41, 33, 39, 43,
40, 36, 37, 41, 40, 40, 38, 42, 41, 39, 36, 39, 38, 36, 43, 39, 39, 35, 43, 43, 42, 40,
44, 38, 44, 39, 44, 41, 37, 34, 43, 40, 37, 42, 41, 38, 39, 40, 37, 36, 39, 42, 40, 37,
41, 37, 41, 39, 45, 46, 41, 44, 39, 40, 40, 40, 37, 40, 43, 39. Analise a assimetria
e a curtose destes dados.
15
Captulo 2
Teoria das Probabilidades
Amostra
Inferncia
Estatstica
Teoria da
Probabilidade
Estatstica
Descritiva
Populao em
anlise
Amostra
Inferncia
Estatstica
Teoria da
Probabilidade
Estatstica
Descritiva
Populao em
anlise
Inferncia
Estatstica
Teoria da
Probabilidade
Estatstica
Descritiva
Populao em
anlise
Fonte: Fonseca (1992)
A estatstica descritiva comeou a implantar-se antes do aparecimento do clculo
de probabilidades e, por isso, possvel efectuar um estudo sem fazer referncia
a conceitos probabilsticos. O contrrio sucede com a estatstica indutiva cuja
estruturao depende da Teoria das Probabilidades.
2.1 Conceitos bsicos
2.1.1 Experincia aleatria
Dene-se experincia aleatria como sendo a experincia na qual:
i) Todos os resultados possveis da experincia so conhecidos previamente;
16
ii) O resultado de qualquer realizao da experincia no previamente con-
hecido, i.e., incerto;
iii) A experincia pode ser repetida sob condies idnticas.
2.1.2 Espao de resultados
Ao conjunto de todos os resultados possveis de obter quando se efectua uma ex-
perincia aleatria chamamos - espao de resultados. O espao de resultados
designa-se por . Se numervel chama-se espao de resultados discreto. Se
um conjunto no numervel designa-se de espao de resultados contnuo.
Exemplo
1. Lanamento de uma moeda
S existem dois resultados possveis: face e coroa. Porm, em qual-
quer repetio desta experincia no sabemos qual ser o resultado -
experincia aleatria. Assim, o espao de resultados tem dois elementos:
= {F, C}
Os subconjuntos de designam-se de acontecimentos.
Exemplo: lanar duas vezes uma moeda
Espao de resultados: = {(Ca, Ca), (Ca, Co), (Co, Ca), (Co, Co)}
Questo: obter o mesmo resultado em ambos os lanamentos
Ento, o acontecimento A : {(Ca, Ca), (Co, Co)}
2.1.3 Tipos de acontecimentos aleatrios
Acontecimentos mutuamente exclusivos (ou disjuntos)
Os acontecimentos so mutuamente exclusivos ou disjuntos ou incompatveis se a
ocorrncia de um impede a ocorrncia de todos os outros. A B =
Por exemplo, ao lanar uma moeda, existem dois acontecimentos mutuamente
exclusivos: ou obtemos cara ou obtemos coroa.
17
Acontecimentos no exclusivos (ou conjuntos)
So aqueles cuja ocorrncia pode ser simultnea. A B 6=
Por exemplo: tirar uma carta de umbaralho ordinrio. Considerem-se os seguintes
eventos:
A = sair um s
B = sair uma espada
Existe a possibilidade de ser tirada uma carta de tal forma que ocorrem os dois
acontecimentos em simultneo: s de espadas. Portanto, A e B so acontecimentos
no-exclusivos.
Acontecimentos independentes
Dois acontecimentos so independentes se a ocorrncia de um deles no afecta a
ocorrncia do outro.
Por exemplo, ao lanar uma moeda, os acontecimentos correspondentes a dois
18
lanamentos sucessivos so independentes.
Acontecimentos dependentes
Se a ocorrncia ou no ocorrncia de um acontecimento afecta a ocorrncia do outro,
ento os eventos so dependentes.
Por exemplo, retirar de um baralho duas cartas sem reposio. A = a primeira
carta copas; B = a segunda carta copas.
Observaes:
1. Acontecimentos mutuamente exclusivos/no exclusivos so diferentes de acon-
tecimentos independentes/dependentes.
2. Dois acontecimentos no podem ser simultaneamente independentes e mutu-
amente exclusivos.
Note:
(1) Se um acontecimento contm apenas um ponto, ento o acontecimento
denominado de elementar.
(2) Um acontecimento correspondente a um conjunto vazio um acontecimento
impossvel
(3) Um acontecimento que corresponde totatlidade do espao de resultados
denominado de acontecimento certo
2.1.4 Propriedades das operaes denidas sobre aconteci-
mentos
Propriedade Reunio Interseco
Associatividade A (B C) = (A B) C A (B C) = (A B) C
Comutatividade: A B = B A A B = B A
Distribuitividade A (B C) = (A B) (A C) A (B C) = (A B) (A C)
Idempotncia A A = A A A = A
Absoro A B A B = B A B A B = A
Modulares A = A = A
A = A A =
Leis de Morgan: (A B) = A B (A B) = A B
Dupla negao: (A) = A
19
2.2 Denio de Probabilidade
2.2.1 Denio Clssica (ou de Laplace ou priori).
Finito.
Probabilidade de um acontecimento o quociente entre o nmero de casos fa-
vorveis ao acontecimento e o nmero de casos possveis, todos os casos supostos
igualmente provveis.
Se uma experincia aleatria pode ter n resultados diferentes - nmero de casos
possveis - igualmente provveis e que se excluem mutuamente, dos quais n(A) tm a
caracterstica A, ento a probabilidade associada ao acontecimento A ser o nmero
P(A) =
nmero de casos favorveis a A
nmero de casos possveis
=
n(A)
n
Desta forma, probabilidade um conceito que mede numericamente o grau de
certeza ou de incerteza de ocorrncia de um evento.
Se A um evento de um espao de resultados com probabilidade P(A), ento
P(A) um nmero positivo no superior a 1. 0 P(A) 1, i.e., a probabilidade
0 se o evento impossvel ou 1 se o evento certo. Como o nmero de casos no
favorveis a A so n n(A) a probabilidade que o evento no ocorra
q =
nn(A)
n
q = 1
n(A)
n
q = 1 P(A)
2.2.2 Denio frequencista (ou posteriori)
Na denio clssica de probabilidade o termo igualmente provvel vago. Uma
vez que est a denir algo nos seus prprios termos - a denio circular . Desta
forma a probabilidade estimada, ou emprica, de um acontecimento calculada como
sendo a frequncia relativa de um evento quando o nmero de observaes muito
grande.
Se as experincias so repetidas umnmero elevado de vezes nas mesmas condies,
ento, o limite do rcio do nmero de vezes que um evento ocorre em relao ao
nmero total de experincias, medida que o nmero de experincias aumenta in-
denidamente, chamado de probabilidade de ocorrncia de um evento. Assume-se
que o limite existe nito e nico.
P(A) = lim
n
n(A)
n
20
As duas denies so aparentemente diferentes mas ambas podem ser concili-
adas para o mesmo sentido.
Exemplo:
1. Descubra a probabilidade de obter Caras quando lana
uma moeda ao ar.
= {Ca, Co} =n = 2
Acontecimento: obter Caras A = {Ca} =n(A) = 1
Assim, P(A) =
n(A)
n
=
1
2
= 0, 5.
2. Qual a probabilidade de obter um 2 ou um 5 quando atira
um dado?
= {1, 2, 3, 4, 5, 6} =n = 6
Acontecimento: obter 2 ou 5 A = {2, 5} =n(A) = 2
Assim, P(A) =
n(A)
n
=
2
6
=
1
3
= 0, 33(3)
2.3 Axiomas e Teoremas das probabilidades
1
o
Valores assumidos pelas probabilidades
0 P(A) 1
P(A) = 0 =acontecimento impossvel: P() = 0
P(A) = 1 =acontecimento certo: P() = 1
2
o
P(A B) =? =
(a) Se A e B so mutuamente exclusivos: P(A B) = P(A) +P(B)
(b) Se A e B no so exclusivos: P(A B) = P(A) +P(B) P(A B)
21
3
o
P(A) =? =
P(A) = 1 P(A)
4
o
Lei de Laplace
Se tivermos S = {s
1
, s
2
, ...s
n
} , s
i
=acontecimento i
Sendo
P(s
1
) +P(s
2
) +... +P(s
n)
= 1 (acontecimentos mutuamente exclusivos)
P(s
1
) = P(s
2
) = ... = P(s
n)
(acontecimentos equiprovveis)
Ento:
P(s
i
) =
1
n
22
5
o
P(B A) =? =
(a) Se A e B so mutuamente exclusivos: P(B A) = P(B)
(b) Se A e B no so exclusivos: P(B A) = P(B) P(A B) = P(B A)
Exerccio 2 2.1 Considere o lanamento de um dado e determine a probabilidade
de que:
a) saia face 4
b) saia a face 2 ou 3
c) saia uma face mpar
d) saia uma face mltipla de 2 ou de 5.
2.2 Considere que numa urna existem 4 bolas brancas, 6 bolas pretas e 10 bolas
verdes. Foi feita a extraco de uma bola da urna. Determine a probabilidade de
que a bola sada seja:
a) branca
b) preta
c) verde
2.3 De um baralho ordinrio extraiu-se uma carta ao acaso. Determine a probabili-
dade dos seguintes acontecimentos
a) sada de um rei
b) sada de copas
c) sada de rei ou de copas
d) sada de rei mas no de copas
e) no sada de rei.
2.4) Um sistema electrnico formado por dois subsistemas A e B. De ensaios an-
teriores sabe-se que
- a probabilidade de A falhar 20%
- a probabilidade de B falhar sozinho 15%
- a probabilidade de A e B falharem 15%
Determine a probabilidade de
a) B falhar
b) Falhar apenas A
c) Falhar A ou B
23
d) No falhar nem A nem B
e) A e B no falharem simultaneamente.
2.4 Propriedades dos conjuntos
(aplicveis s probabilidades)
Operao
Propriedade Reunio
Associatividade P [A (B C)] = P [(A B) C]
Comutatividade: P [A B] = P [B A]
Distribuitividade P [A (B C)] = P [(A B) (A C)]
Idempotncia P (A A) = P(A)
Elem. Neutro P (A ) = P(A) ( elem. neutro da )
Elem. Absorvente P (A ) =P() ( elem. absorvente da )
Leis de Morgan: P(A B)= P

AB

Dupla negao: P(AA) = P() = 1

Propriedade
Associatividade
Comutatividade:
Distribuitividade
Idempotncia
Elem. Neutro
Elem. Absorvente
Leis de Morgan:
Dupla negao:
Interseco
P [A (B C)] = P [(A B) C]
P [A B] = P [B A]
P [A (B C)] = P [(A B) (A C)]
P (A A) = P(A)
P (A ) = P(A) ( elem. neutro da )
P (A ) = P() ( elem. absorvente da )
P(A B)= P

AB

P(AA) = P() = 0
2.5 Probabilidades condicionadas
Probabilidade condicionada
Dados dois acontecimentos A e B, com P(B) > 0, a probabilidade para que A
se realize sabendo-se que B se realizou, designa-se por P(A|B) e dene-se pelo
quociente:
1. (a) Se A e B so independentes: P(A|B) = P(A) e P(B|A) = P(B)
24
(b) Se A e B so dependentes: P(A|B) =
P(AB)
P(B)
Exemplo:Lanamento de um dado:
A =sada de n
o
mpar
B = sada de 1, 3, 4
Ento: P(A|B) =
n
o
de casos favorveis (1 e 3)
n
o
de casos possveis (1,3,4)
=
2
3
=
P(AB)
P(B)
Teorema da probabilidade composta:
P(A B) = P(B)P(A|B), P(B) > 0
P(B A) = P(A)P(B|A), P(A) > 0
2.6 Probabilidade da interseco de acontecimen-
tos e acontecimentos independentes
Teorema
Se A e B so acontecimentos independentes, ento, tambm so independentes A e
B, A e B, A e B :
25

Lembrar:
P(A|B) =
P(AB)
P(B)
P(A B) = P(A|B)P(B)
se A e B so independentes: P(A|B) = P(A) ento: P(A B) = P(A)P(B)

Anlise do teorema:
a) A e B
P(A B) = P(A)P(B).
Prova:
P(A B) = P(AB)
= P(A) P(A B)
= P(A) P(A)P(B) (se A e B so independentes)
= P(A) [1 P(B)]
= P(A)P(B)
b) A e B
P(A B) = P(A)P(B)
Prova:
P(A B) = P(AB)
= P(A) P(A B)
= P(A) P(A)P(B)
= P(A) [1 P(B)]
= P(A)P(B)
(alternativamente, utilizar as Leis de Morgan)
Teorema
Se B A : P(AB) = P(A) P(B) e P(B A) = P() = 0
Prova:
P(AB) = P(A) P(A B) P(A) P(B)
Notas:
Considerem-se 3 acontecimentos: A
1
, A
2
e A
3.
Possibilidades:
26
a) A
1
acontece e A
2
e A
3.
no acontecem
A
1
A
2
A
3
b) Ocorra pelo menos um dos trs:
A
1
A
2
A
3.
c) Ocorra apenas um dos 3
Apenas A
1
: A
1
A
2
A
3
Apenas A
2
: A
1
A
2
A
3
Apenas A
3
: A
1
A
2
A
3
d) Ocorrem apenas dois dos trs:

A
1
A
2
A
3

A
1
A
2
A
3

A
1
A
2
A
3

Lei da multiplicao
Se P(A
1
A
2
... A
n1
) > 0, ento
P(A
1
A
2
...A
n
) = P(A
1
)P(A
2
|A
1
)P(A
3
|A
1
A
2
)...P(A
n
|A
1
A
2
A
3
...A
n1
)
2.7 Teorema da probabilidade total e teorema de
Bayes
Se B A ento Pr(B) Pr(A)
Prova: A = B (A|B), ento
Pr(A) = Pr(B) + Pr(A|B) Pr(B)
Denio: Os acontecimentos A
1
, A
2
, ..., A
n
formam uma partio de se
1. A
i
so mutuamente exclusivos: A
i
A
j
= i 6= j
2. A
1
A
2
... A
n
= .
27
Teorema da probabilidade total
Sejam A
1
, A
2
, ..., A
n
uma partio de . Para cada acontecimento B,
Pr(B) =
n
P
j=1
Pr(A
j
) Pr(B|A
j
).
Prova: B = (B A
j
) (unio disjunta), ento
Pr(B) =
n
P
j=1
Pr(B A
j
)
O teorema advm de Pr(B A
j
) = Pr(A
j
) Pr(B|A
j
)
Exemplo: Num determinado pas 60% dos eleitores registados so
do partido X, 30% do partido Y e 10% do partido Z. Quando se ques-
tionou os votantes acerca de uma poltica oposeram-se: 40% dos Xs,
65% dos Ys e 55% dos Zs. Qual a probabilidade de se seleccionar um
eleitor que se oponha poltica em votao?
= {nmero de eleitores no pas}
X = {n
o
de eleitores registados no partido X} Pr(X) = 0, 6
Y = {n
o
de eleitores registados no partido Y} Pr(Y ) = 0, 3
Z = {n
o
de eleitores registados no partido Z} Pr(Z) = 0, 1
O = {n
o
de eleitores registados que se opuseram poltica em votao}
Pr(O|X) = 0, 4; Pr(O|Y ) = 0, 65; Pr(O|Z) = 0, 55
Pelo teorema da probabilidade total:
Pr(O) = Pr(O|X) Pr(X) + Pr(O|Y ) Pr(Y ) + Pr(O|Z) Pr(Z)
= (0, 4 0, 6) + (0, 65 0, 3) + (0, 55 0, 1) = 0, 49
28
Teorema de Bayes
Seja A
1
, A
2
, ..., A
n
uma partio de . Para qualquer acontecimento B
Pr(A
i
|B) =
Pr(A
i
) Pr(B|A
i
)
n
P
j=1
Pr(A
j
) Pr(B|A
j
)
Prova:
Numerador
Pr(A
i
|B) =
Pr(A
i
B)
Pr(B)
Pr(A
i
B) = Pr(B A
i
) = Pr(A
i
) Pr(B|A
i
)
Denominador
Pelo teorema da probabilidade total, se {A
1
, A
2
, ...A
n
} uma partio de vem,
para qualquer acontecimento B :
Pr(B) =
n
P
j=1
Pr(A
j
) Pr(B|A
j
)
Porqu?
B = B
=
n

j=1
A
j
Logo,
Pr(B) = Pr(B ) = Pr(B
n

j=1
A
j
) = Pr(
n

j=1
(B A
j
) =
n
P
j=1
Pr(B A
j
)
Exemplo Um eleitor registado escreve uma carta ao jornal local
argumentando contra uma poltica do governo. Qual a probabilidade
deste eleitor ser do partido Y?
Ou seja: Pr(Y |O) =? Pelo teorema de Bayes:
Pr(Y |O) =
0,30,65
(0,40,6)+(0,650,3)+(0,550,1)
=
0,195
0,49
0, 398
29
Exerccio 3 3.1 De um baralho ordinrio extraem-se 3 cartas. Calcule a probabili-
dade do acontecimento
A="a primeira carta de paus, a segunda de copas e a terceira de espadas."
Supondo que a extraco feita:
a) com reposio.
d) sem reposio.
3.2 Um certo programa de computador opera usando uma de duas subrotinas A e
B, consoante o problema. A experincia indica que a subrotina A usada 40% das
vezes e a subrotina B 60% das vezes. Quando se usa A h 75% de probabilidade de
passar o programa antes do tempo limite, se se usa B h 40% de probabilidade de
exceder o tempo limite.
a) Determine a probabilidade de ao passar um programa escolhido ao acaso, exceder
o tempo.
b) Se ao passar um programa qualquer no exceder o tempo limite, qual a subrotina
que mais provavelmente foi usada?
3.3 Dois produtos A e B esto venda num determinado pas. A probabilidade de
um habitante comprar A 2/3 e a probabilidade de comprar B de 1/3. Dos con-
sumidores que consomem A, 90% preocupam-se com uma alimentao saudvel. Dos
consumidores que consomem B 60% preocupam-se com uma alimentao saudvel.
a) Qual a probabilidade de um habitante escolhido ao acaso estar preocupado com
uma alimentao saudvel?
b) O Sr. K um habitante deste pas e, por motivos de sade, tem que se preocupar
com a sua alimentao. Qual a probabilidade de consumir A?
3.4) Sejam dois acontecimentos A e B, de probabilidades respectivamente 3/4 e 1/2.
Podem estes acontecimentos ser mutuamente exclusivos (ou incompatveis)?
3.5) Trs atletas participam numa prova. A probabilidade de o atleta A ganhar
duas vezes maior do que a do atleta B ganhar, e esta duas vezes maior que a de C.
Qual a probailidade de cada um dos atletas ganhar a prova?
3.6) Sendo P(A) = 0, 5 e P(A B) = 0, 7, determine:
a) P(B) sendo A e B independentes.
30
b) P(B) sendo A e B mutuamente exclusivos.
c) P(B) sendo P(A|B) = 0, 5.
3.7) Os acontecimentos A
1
e A
2
com probabilidades respectivamente 0,4 e 0,3; so
independentes. Determine a probabilidade da realizao de um e s um dos dois
acontecimentos.
3.8) Sendo A e B acontecimentos tais que: P(A B) = x e P(A) = P(B) =
0, 5x+0, 125. Supondo que se trata de acontecimentos independentes, calcule o valor
numrico de P(AB).
3.9) O Rui entrou agora na Universidade e foi informado de que h 30% de possi-
bilidades de vir a receber uma bolsa de estudo. No caso de a receber, a probabilidade
de se licenciar de 0,85 enquanto que no caso de no a obter a probabilidade de se
licenciar de 0,45.
a) Qual a probabilidade de o Rui se licenciar?
b) Se, daqui a uns anos, encontrar o Rui j licenciado, qual a probbailidade de que
tenha recebido bolsa?
3.10) Suponha que o Paulo pode decidir ir para o trabalho por um de trs meios de
transporte: carro, autocarro, metro. Devido ao trnsito, se decidir ir de carro, a
probabilidade de se atrasar de 50%. Se usar o autocarro, a probabilidade de se
atrasar de 20%. Quando usa o metro a probabilidade de se atrasar de 1%.
a) Suponha que o Paulo se atrasou e que o seu patro quer estimar a probabilidade
de ele ter ido de carro. Dado que ele no sabe qual o meio de transporte que o
Paulo utiliza usualmente d, priori, uma probabilidade 1/3 para cada uma das trs
possibilidades. Qual a estimativa que o patro obteve para a probabilidade de o
Paulo ter ido de carro?
b) Suponha que o colega do Paulo sabe que ele quase sempre utiliza o metro, nunca
anda de autocarro, mas s vezes, 10% das vezes, usa o carro. Dado que o Paulo se
atrasou, qual a probabilidade que o seu colega atribui possibilidade de ele ter ido
de carro?
31
2.8 Anlise combinatria
O processo de clculo do nmero de sequncias que possvel formar depende de
duas ordens de factores:
1. A repetio de elementos (que pode no existir)
2. A ordem (que pode ou no interessar)
Princpio fundamental de contagem
Se um dado acontecimento pode ocorrer de n
1
maneiras diferentes e se, aps este
acontecimento, um segundo acontecimento pode ocorrer de n
2
maneiras diferentes
e, aps este segundo acontecimento, um terceiro acontecimento pode ocorrer de n
3
maneiras diferentes,..., ento, o nmero de modos diferentes em que os acontecimen-
tos podem ocorrer na ordem indicada :
n
1
n
2
n
3
...
Exemplo
Se tivermos um dado de 4 faces e um de 6 faces, o primeiro pode apresentar
4 resultados diferentes e o segundo, 6. Os dois juntos podem apresentar, ento,
6*4=24 resultados diferentes.
Factorial
Chama-se factorial de um nmero natural n, e representa-se por n!, ao produto dado
por:
n! = n (n 1) (n 2) ... 3 2 1
Por conveno:
Para n = 0, teremos : 0! = 1.
Para n = 1, teremos : 1! = 1
Exemplos:
a) 6! = 6.5.4.3.2.1 = 720
b) 4! = 4.3.2.1 = 24
32
c) observe que 6! = 6.5.4!
d) 10! = 10.9.8.7.6.5.4.3.2.1
e) 10! = 10.9.8.7.6.5!
f ) 10! = 10.9.8!
2.8.1 Processos de contagem (sem repetio)
**A ordem interessa
Permutaes de N elementos
So todas as sequncias que possvel obter com os n elementos. O smbolo utilizado
P
n
e deve ler-se "permutaes de n".
Ento:
P
n
= n!
Exemplos:
a) P
6
= 6! = 6.5.4.3.2.1 = 720
b) Calcule o nmero de formas distintas de 5 pessoas ocuparem os
lugares de um banco retangular de cinco lugares.
P
5
= 5! = 5.4.3.2.1 = 120
Arranjos sem repetio
Dados n elementos quaisquer, chama-se arranjos sem repetio de n elemen-
tos p a p, a todas as sequncias que possvel obter com p elementos escolhidos
arbitrariamente de entre os n dados. Temos:
n > p :
n
A
p
=
n!
(np)!
n = p :
n
A
p
= P
n
= n!
**A ordem no interessa
Combinaes
Combinaes de n, p a p, o nmero de subconjuntos, com p elementos, que se
podem formar a partir de um conjunto com n elementos. Ou seja,
33
n p :
n
C
p
=
n
Ap
p!
ou
n
C
p
=
n!
p!(np)!
Exemplo
Um jogo possui um carto com 60 nmeros. Deve-se marcar 6 deles.
De quantas forma pode-se fazer isso?
60
C
6
=
60!
6!(606)!
= 50.063.860
2.8.2 Processos de contagem (com repetio/reposio)
Arranjos com repetio
Dados n elementos diferentes a
1
, a
2
, a
3
, ..., a
n
, chamam-se arranjos com repetio
dos n elementos p a p, a todas as sequncias de p elementos, sendo estes diferentes ou
no, que se podem formar de modo que as sequncias diram apenas pelos elementos
que as compem ou na ordem de colocao. Desta forma temos:
n
A
0
p
= n
p
Exemplo
a) Quantos nmeros com 4 algarismos podemos formar com os algar-
ismos: 0,1,2,3,4,5,6,7,8 e 9.
10
A
0
4
= 10
4
= 10000
b) Quantas palavras com 3 letras podemos formar com as 26 letras
de nosso alfabeto?
26
A
0
3
= 26
3
= 17576
Exemplo:
De uma urna que contm 6 bolas vermelhas e 3 verdes, tiram-se
simultaneamente 2 bolas. determine a probabilidade de
a) serem ambas vermelhas,
b) serem ambas veredes,
c) serem da mesma cor,
d) serem de cor diferente.
Resoluo:
a) P(A) =
n
o
de casos favorveis
n
o
de casos possveis
=
6
C
2

3
C
0
9
C
2
=
6
C
2
9
C
2
34
b)
3
C
2
9
C
2
c)P(A B) = P(A) +P(B) P(A B)
= a) + b) 0
=
6
C
2
+
3
C
2
9
C
2
d) P(A B) = 1 P(A B)
= 1
6
C
2
+
3
C
2
9
C
2
Exerccio 4 4.1 Indique o nmero de pontos da amostra do espao de resultados
associado a cada uma das seguintes experincias aleatrias:
a) extraco sucessiva, sem reposio, de 2 bolas de uma urna que contm 10 (nu-
meradas de 1 a 10)
b) Extraco sucessiva, com reposio, de 3 bolas de uma urna que contm 6 (nu-
meradas de 1 a 6)
c) Extraco simultnea de 2 bolas de uma urna que contm 5 (numeradas de 1 a
5)
d) Extraco sucessiva, sem reposio, de todas as bolas de uma urna que contm 5
(numeradas de 1 a 5)
4.2 Construa o espao de resultados associado s seguintes experincias aleatrias
a) Lanamento de um dado.
b) Lanamento de uma moeda.
c) Lanamento de um dado, seguido do lanamento de uma moeda.
d) Lanamento de uma moeda at ao aparecimento de uma coroa.
4.3 Quantas chaves so possveis no totoloto?
4.4) Uma mo de bridge consiste em 13 cartas retiradas ao acaso de um baralho de
52. Admitindo que todos os resultados possveis so equiprovveis, calcule a proba-
bilidade das seguintes mos:
a) Uma mo com 4 ases.
b) Uma mo com exactamente 4 ases e 2 reis.
c) Uma distribuio 6-5-2.
4.5) De um lote de 100 peas, das quais 20 so defeituosas e 80 perfeitas, escolheu-se
35
uma amostra de 10 peas. Qual a probabilidade de achar 3 defeituosas e 7 perfeitas?
4.6 Qual a probabilidade de que uma mo de 13 cartas (retiradas de um baralho de
52):
a) contenha exactamente 6 espadas.
b) contenha pelo menos 2 ases.
4.7) Quantas chapas de matrcula so possveis no nosso pas se em todas devem
aparecer 2 letras seguidas de 4 nmeros?
36
Captulo 3
Distribuies tericas de
probabilidade
3.1 Claricao de conceitos
Varivel aleatria
Seja S o espao amostral associado a uma experincia aleatria. Uma varivel
aleatria uma aplicao de S em R, i.e., uma aplicao que faz corresponder a
cada elemento de S um nmero real:
X : S R
Exemplo: Um tcnico encarregado de controlar a qualidade dos
componentes na sua empresa escolhe, ao acaso, um a um sem reposio,
trs componentes da produo diria. Consideremos que a incidncia de
defeituosos na produo de 10%. Seja:
D
i
= o isimo componente observado defeituoso; 1 i 3
D
i
= o isimo componente observado no defeituoso
X Contra domnio
D
1
D
2
D
3
0
D
1
D
2
D
3
D
1
D
2
D
3
1
D
1
D
2
D
3
D
1
D
2
D
3
2
37
D
1
D
2
D
3
D
1
D
2
D
3
3
D
1
D
2
D
3
Observaes:
1. Cada um dos elementos do contradomnio da aplicao um dos valores pos-
sveis da varivel. A cada um destes valores da varivel possvel associar
uma probabilidade que calculada a partir dos elementos de S.
2. Os elementos do conjunto de chegada que no esto no contradomnio so
valores impossveis da varivel e a eles est associada uma probabilidade nula.
As variveis aleatrias podem ser:
Unidimensionais - permitem-nos estudar apenas uma caracterstica da popu-
lao.
Bidimensionais/ multidimensionais - quando se pretende analisar a mesma
populao sob dois ou mais aspectos.
As variveis podem ainda ser:
Qualitativas - os valores que assumem no so de natureza numrica
Quantitativas - assume valores de natureza numrica e podem ser:
- Discretas - o contradomnio da aplicao que dene a varivel nito
ou innito numervel.
- Contnuas - o contradomnio innito e no numervel.
Distribuio de probabilidade
o resultado da atribuio de valores de probabilidade a todos os valores possveis
de uma varivel aleatria x. neste contexto que os valores de probabilidade podem
ser designados por:
f(x) ; P(x = X) ; P(x).
3.2 Distribuies discretas de probabilidade
Variveis aleatrias discretas - os valores assumidos pela varivel aleatria, bem
como as probabilidades correspondentes, podem ser listados numa tabela.
38
Exemplo: x
i
= idade dos alunos da turma
x
i
19 20 21 22 23 24
f(x
i
) = P(X = x
i
) 0, 2 0, 2 0, 3 0, 05 0, 05 0, 2
Associados denio de variveis aleatrias discretas temos os seguintes con-
ceitos:
Funo de probabilidade ou funo massa de probabilidade Conceito:
a funo de probabilidade associada varivel aleatria x uma funo que a cada
valor x
i
da varivel, associa a probabilidade de x ser igual a x
i
e aos restantes valores
associa o valor zero.
Simbologia:
f(x
i
) = P(X = x
i
) ; f(x) = P(X = x
i
)
Funo de probabilidade
0
0,1
0,2
0,3
0,4
19 20 21 22 23 24
Idades
f
(
x
i
)
Srie2
Propriedades da funo de probabilidade:
1. f(x
i
) 0, x ( uma probabilidade)
2.
P
i
f(x
i
) = 1 (probabilidade de um acontecimento certo), onde i representa
todos os valores possveis que x pode assumir e f(x
i
) a probabilidade em x
i
.
Funo de distribuio Denio: a funo de distribuio associada a uma
varivel aleatria x uma funo que a cada x R faz corresponder a probabilidade
de X ser menor ou igual a x e representa-se por F(x)
Simbologia:
F(x) = P(X x) =
P
x
i
x
f(x
i
)
39
Funo distribuio
0
0,2
0,4
0,6
0,8
1
19 20 21 22 23 24
Idades
F
(
X
)
Propridedades da funo distribuio:
1. 0 F(x) 1, x
2. F(x) uma funo montona no decrescente: x
1
< x
2
=F(x
1
) < F(x
2
), x
1
, x
2

R
3. lim
x+
F(x) = F(+) = 1
lim
x
F(x) = F() = 0
(a) P(x
1
< X x
2
) = F(x
2
) F(x
1
)
No exemplo: P(20 < X 22) = P(X = 21 X = 22) = f(21) +f(22)
Note-se que:
F(22) = P(x = 19 x = 20 x = 21 x = 22)
F(22) = f(19) +f(20) +f(21) +f(22)
F(20) = P(x = 19 x = 20) F(20) = f(19) +f(20)
F(22) F(20) = [f(19) +f(20) +f(21) +f(22)] [f(19) +f(20)]
F(22) = f(21) +f(22)
(b) P(x
1
X x
2
) = F(x
2
) F(x
1
) +f(x
1
)
No exemplo: P(20 X 22) = f(20) +f(21) +f(22)
Note-se que:
F(22) F(20) = f(21) +f(22)
F(22) F(20) +f(20) = f(20) +f(21) +f(22)
40
4. F(x) descontnua nos pontos que a varivel aleatria X assume valores.
Notas:
1. Quando as variveis so contnuas a probabilidade pontual nula, mas quando
so discretas necessrio tomar especial ateno aos sinais utilizados para
denir a desigualdade (no indiferente termos < ou )
2. E ainda...
- a partir de F(x) possvel construir f(x)
- a partir de f(x) possvel construir F(x)
No exemplo, outros modos de representar a tabela:
f(x
i
) =
_

_
0, 2 ; x = 19
0, 2 ; x = 20
0, 3 ; x = 21
0, 05 ; x = 22
0, 05 ; x = 23
0, 2 ; x = 24
F(x) =
_

_
0 ; x < 19
0, 2 ; 19 x < 20
0, 4 ; 20 x < 21
0, 7 ; 21 x < 22
0, 75 ; 22 x < 23
0, 8 ; 23 x < 24
1 ; x 24
Distribuio de probabilidade condicionada ou truncada Seja A um
subconjunto de R tal que P(X A) > 0. funo
f(x
i
|X A) =
P(X=x
i
XA)
P(XA)
=
_

_
f(x
i
)
P
x
i
A
f(x
i
)
, x
i
A
0, x
i
/ A
Chama-se Funo de probabilidade condicionada ou truncada.
No exemplo: seja X ]10, 20]
x 19 20
f(x|X ]10, 20] ? ?
f(19|X ]10, 20]) = P(x = 19|x ]10, 20]) =
P(X=19x]10,20])
P(X]10,20])
=
=
P(X=19)
P(X=19X=20)
=
f(19)
f(19)+f(20)
=
f(19)
F(20)
=
0,2
0,4
= 0, 5
f(x|X ]10, 20]) =
(
0, 5 , X = 19
0, 5 , X = 20
41
F(x|X ]10, 20]) =
_

_
0 , x < 19
0, 5 , 19 x < 20
1 , x 20
funo F(x
i
|X A) =
P
x
i
x
f(x
i
|X A)
chama-se Funo distribuio condicionada ou truncada.
Distribuio de probabilidade de uma funo de uma varivel aleatria
Seja X uma varivel aleatria com funo de probabilidade f(x
i
) e seja uma funo
denida pelo menos no conjunto de valores possveis de X.
A varivel aleatria Y = (x) tem funo de probabilidade g(y
i
) dada por:
g(y
i
) = P(Y = y
i
) =
P
y
i
:(x)=y
i
f(x
i
)
No nosso Exemplo: seja Y ="prmio em euros" e Y = 300+10X
X = 19 Y = 490
X = 20 Y = 500
X = 21 Y = 510
X = 22 Y = 520
X = 23 Y = 530
X = 24 Y = 540
Y 490 500 510 520 530 540
g(y) 0, 2 0, 2 0, 3 0, 05 0, 05 0, 2
g(490) = P(Y = 490) = P(X = 19) = 0, 2.
Um outro exemplo:
Considere-se a varivel aleatria discreta, X, que assume os valores
abaixo com as probabilidades indicadas:
X 2 1 0 1 2
f(x
i
) 1/5 1/4 1/6 1/10 17/60
,
e seja Y = X
3
+ 3X
2
+ 2x. Tem-se, neste caso:
D = {2, 1, 0, 1, 2} D

= (D) = {0, 6, 24}

X 2 1 0 1 2
f(x
i
) 1/5 1/4 1/6 1/10 17/60
Y 0 0 0 6 24
A funo probabilidade de Y, g(y), dada por,
42
g(0) = f(2) +f(1) +f(0) =
37
60
g(6) = f(1) =
1
10
g(24) = f(2) =
17
60
Y 0 6 24
g(Y ) 37/60 1/10 17/60
Parmetros e propriedades das variveis aleatrias
1. Valor esperado (ou esperana matemtica)
E(x) =
P
i
x
i
f(x
i
)
2. Varincia
V (x) =
P
i
[x
i
E(x)]
2
f(x
i
)
ou
V (x) = E(x
2
) [E(x)]
2
onde
E(x
2
) =
P
i
x
2
i
f(x
i
)
3. Propriedades
E(a) = a
V (a) = 0
E(ax +b) = aE(x) +b
V (ax +b) = a
2
V (x)
Exerccio 5 5.1 Lanam-se dois dados ao ar, e seja a varivel aleatria X a soma
dos pontos obtidos. Determine os valores da varivel (x
i
) e classique-a.
5.2 Um determinado artigo objecto de procura diria aleatria, cuja lei de proba-
bilidade dada pela tabela seguinte:
x
i
0 1 2 3 4 5 6
f(x
i
) 0,1 0,15 0,2 0,25 0,15 0,1 0,05
Identique
a) a funo de distribuio de x.
b) a probabilidade de a procura diria exceder 4.
c) a probabilidade de a procura diria ser inferior a 2.
43
d) o conjunto A = {x R
1
: P(X < x) = 70%} .
e) o conjunto B = {x R
1
: P(X x) = 30%}
5.3 De uma varivel aleatria unidimensional discreta X, sabe-se que:
- os valores que a varivel pode assumir so: 0, 2, 4
- P(X = 0 X = 2) = 80%
- f(0) = 1, 5f(4)
Determine a funo de probabilidade e a funo distribuio da varivel aleatria X
e represente-a gracamente.
5.4 Considere a varivel aleatria X, com a seguinte funo distribuio:
F(x) =
_

_
0 ; x < 4
1
24
; 4 x < 0
20
24
; 0 x < 3
22
24
; 3 x < 4
23
24
; 4 x < 5
1 ; x 5
Determine a funo de probabilidade e represente-a gracamente.
44
5.5) A procura diria de um determinado jornal da tarde numa tabacaria uma
varivel aleatria discreta com funo probabilidade:
x
i
0 1 2 3 4 5 6 7 8 9 10
f(x
i
) 0, 05 0, 06 0, 06 0, 08 0, 125 0, 25 0, 125 0, 05 0, 06 0, 06 0, 08
Sabendo que:
- a tabacaria recebe diariamente 6 jornais
- os jornais chegam tabacaria s 17 horas e esta encerra s 19:30h
- em determinado dia s 19 horas a tabacaria tinha vendido 4 jornais.
Calcule a probabilidade de no haver restos.
5.6) Num certo estabelecimento, a procura semanal de um dado bem dada pela
seguinte funo de probabilidade:
x
i
3 4 5 6 7
f(x
i
) 0, 1 0, 3 0, 3 0, 1 0, 2
O custo unitrio de C=1000 e o preo de venda de C=1500. O abastecimento feito
no incio de cada semana, sabendo-se que o bem se torna irrecupervel se no for
vendido na semana em causa. Admitindo um stock inicial de 5 unidades, calcule:
a) a probabilidade de haver falhas de stock.
b) a probabilidade de haver sobras de stock.
c) a funo distribuio do lucro semanal.
5.7) Seja a varivel aleatria Y com funo de probabilidade:
f(y
i
) =
_
_
_
y
2
+1
k
, y = 2, 1, 0, 1, 2
0, outros valores de y
a) Determine k de forma a f(y) ser efectivamente uma funo de probabilidade..
b) Faa a representao grca de f(y).
5.8) Uma varivel aleatria discreta tem funo de probabilidade:
f(x
i
) =
6!
x
i
!(6x
i
)!
k , x
i
= 0, 1, 2, 3, 4, 5, 6
a) Determine k.
b)Calcule P(X > 3|X 4).
5.9) O nmero dirio de produtos vendidos por um vendedor ao domiclio aleatrio,
apresentando a seguinte funo de probabilidade:
45
x
i
0 1 2 3 4 5 6 7
f(x
i
) 0,10 0,15 0,20 0,20 0,20 0,10 0,025 0,025
a) Se o preo de venda do produtor for de C=1.800 e se o referido vendedor auferir
uma comisso de 20% sobre as vendas que efectuar, quanto espera ele ganhar ao
dia?
b) E se alm da comisso receber tambm um prmio de C=1.000 nos dias em que
venda mais de 5 artigos?
5.10) Um supermercado vende um bem perecvel cuja procura semanal aleatria.
As unidades vendidas em cada semana so adquiridas no princpio da mesma, e as
no vendidas durante a semana so consideradas imprprias para venda, represen-
tando um prejuzo pelo montante do seu custo.
Cada unidade custa C=60 e vendida ao preo de C=100.
Nos ltimos anos, o supermercado vem adquirindo 4 unidades semanalmente, tendo
constatado que:
-Vendeu sempre pelo menos uma unidade e a procura nunca excedeu 6;
-A procura de 1, 4 e 5 unidades foi a mesma;
-Em 25% das semanas a procura foi superior ao stock e em 60% das semanas foi
inferior;
-Em mdia teve um lucro semanal de C=50.
Determine a tabela de probabilidade da procura semanal.
3.2.1 Distribuio Binomial
Utilizao: A distribuio binomial utiliza-se para designar situaes em que os
resultados de uma varivel aleatria podem ser agrupados em duas categorias.
Essas categorias:
1. So mutuamente exclusivas
2. Completam/preenchem todo o espao de resultados.
Aplicao: Em todos os fenmenos repetidos de uma maneira independente,
em que podem assumir dois estados: Sucesso ou Insucesso, Tudo ou Nada, Estado
1 ou Estado 2, etc.
46
Exemplos de variveis aleatrias que podem ser classicadas como variveis bi-
nomiais:
- resposta a um teste do tipo Verdadeiro ou Falso;
- Respostas do tipo Sim ou No a um questionrio;
- Produtos manufacturados classicados como perfeitos ou defeituosos;
- Alunos de uma escola Vacinados ou No vacinados;
- Exames do tipo Passa ou No passa;
- etc.
Tambm variveis com resultados mltiplos podem frequentemente ser tratadas
como binomiais, quando apenas um resultado tem interesse. Aqui incluem-se:
- as respostas a um teste de escolha mltipla podem ser do tipo Certa ou Errada;
- Pode haver bolas de 5 cores numa urna, mas o nosso interesse reside apenas na
extraco de bola verde. Ento as bolas podem classicar-se de verdes e no verdes;
- Podem haver 5 candidatos a um emprego e o resultado pode ser dado em termos
de contratado ou no contratado;
- A distribuio de correspondncia pelo correio pode ser local ou para fora da
cidade;
- As chamadas podem ser locais ou interurbanas;
- etc.
Aplicao: A distribuio binomial aplica-se quando se vericam os seguintes
Pressupostos bsicos:
1. H um nmero xo - n - de realizaes/provas de uma experincia aleatria
2. Em cada prova h dois resultados possveis mutuamente exclusivos:
(a) sucesso (com probabilidade p)
(b) insucesso (com probabilidade (q = 1 p)
Estas probabilidades mantm-se constantes de tentativa para tentativa.
3. Os resultados das provas so independentes uns dos outros. (O resultado
de uma realizao/prova individual no altera as probabilidades de quaisquer
outra realizao/prova.)
47
As experincias realizadas nestas condies so chamadas Experincias de
Bernoulli.
Denio: Vericando-se estes pressupostos, a varivel aleatria:
X = nmero de vezes que A ocorre nas n realizaes da experincia"
uma varivel com distribuio binomial de parmetros n e p :
X v Bi(n, p)
Exemplos de variveis Binomiais:
Experincia Sucesso Fracasso p n X
Lanamento de uma moeda Cara Coroa 1/2 5 N
o
de caras em 5 lanamentos de uma moeda
Nascimento de uma criana Rapaz Rapariga '1/2 4 N
o
de rapazes de um casal com 4 lhos
Lanamento de um dado Sada de face 6 Outras faces 1/6 10 N
o
de faces 6 em 10 lanamentos de um dado
Escrever a deciso de voto Direita Esquerda
Proporo da pop.
que de direita.
50 N
o
de votos na Direita nos 50 eleitores escolhidos
Mtodos para obter as probabilidades de uma v.a. com distribuio bi-
nomial
1
o
Funo de probabilidade da binomial Frmula:
f(x
i
) =
n
C
x
i
p
x
i
(1 p)
nx
i
n = 0, 1, ...n
f(x
i
) =
n!
x
i
!(n x
i
)!
| {z }
p
x
i
(1 p)
nx
i
| {z }
n = 0, 1, ...n

N
o
de resultados
com exactamente xi sucessos
de entre as n alternativas
Probabilidade de xi
insucessos de entre as
n alternativas
Algumas consideraes:
1. A probabilidade do acontecimento A nunca se realizar em n provas :
P(X = 0) = f(0) = q
n
2. A probabilidade de o acontecimento A se realizar nas n provas :
P(X = n) = f(n) = p
n
3. A probabilidade do acontecimento A se realizar pelo menos uma vez :
P(X 1) = 1 P(X < 1) =
48
= 1 P(X = 0) =
= 1 f(0) =
= 1 q
n
Nota: A v.a. Binomial discreta e pode assumir n + 1 valores.
2
o
Consulta das tabelas de probabilidades da distribuio binomial
49
50
51
1
Caso Particular da distribuio binomial: A distribuio de Bernoulli
Estamos perante uma distribuio de Bernoulli quando a experincia realizada
1
http://www.stat.wisc.edu/p/stat/course/st371-larget/public/html/R/prob-R.pdf
52
uma s vez. Assim:
1. X v Bi(n = 1, p)
X v Bi(1, p)
2. f(x
i
) = p
x
i
(1 p)
1x
i
Teorema da Binomial Denio: Se X
1
, X
2
, ..., X
k
so variveis aleatrias
independentes com distribuio
X
i
v Bi(n
i
, p) i = 1, 2, ..., k
Ento:
k
P
i=1
X
i
v Bi

k
P
i=1
n
i
, p

Corolrio: Se as variveis aleatrias X

1
, X
2
, ..., X
k
so independentes e possuem
distribuio de Bernoulli, ento:
X
i
v Bi(1, p) i = 1, 2, ..., k
e,
k
P
i=1
X
i
v Bi (k, p)
Parmetros da distribuio
Valor mdio
1. Caso Geral
Se X v Bi(n, p)
ento,
E(X) = np
2. Caso da distribuio de Bernoulli
Se X v Bi(1, p)
ento,
E(X) = p
Varincia
1. Caso Geral
Se X v Bi(n, p)
ento,
53
V (X) = npq = np(1 p)
=

npq
2. Caso da distribuio de Bernoulli
Se X v Bi(1, p)
ento,
V (X) = pq = p(1 p)
=

pq
Exerccio 6 6.1) Seja X uma v.a. de distribuio binomial. Sabe-se que a esper-
ana matemtica 4 e a varincia igual a
8
3
. Calcule n, p e q.
6.2) Uma urna contm 10 bolas, das quais 5 so brancas, 2 pretas e 3 azuis. Extrai-
se sucessivamente, e com repetio, 5 bolas.
a) Qual a funo de probabilidade da v.a. que representa o nmero de bolas brancas
na amostra?
b) Qual a probabilidade de no haver bolas prancas na amostra?
c) Qual a probabilidade de s haver bolas brancas na amostra?
d) Qual o nmero mdio de bolas brancas na amostra? Com que desvio padro?
6.3) Uma empresa produtora de 2 modelos de calculadoras A e B, concluiu aps
diversos estudos que tanto as mquinas A como as B, apresentavam a mesma in-
cidncia de defeituosos, de 0,2%. A produo diria dos 2 modelos apresenta, em
mdia, um total de 5 mquinas defeituosas, sendo a produo dirio do modelo A
25% da produo diria do modelo B.
a) Indique a distribuio de probabilidade das v.a.
X
a
="nmero de mquinas avariadas do modelo A das produzidas diariamente"
X
b
="nmero de mquinas avariadas do modelo B das produzidas diariamente"
b) Calcule as probabilidades de em dado dia:
b.1) se produzirem 2 mquinas avariadas do modelo A.
b.2) se produzirem 4 mquinas avariadas do modelo B.
b.3) se produzirem um total de 3 mquinas avariadas.
6.4) A probabilidade de um atirador acertar no alvo de 0,3. Se ele atirar 6 vezes,
qual a probabilidade de:
54
a) acertar exactamente 2 tiros.
b) no acertar qualquer tiro.
55
3.2.2 Distribuio de Poisson
Utilizao: utilizada para determinar a probabilidade de um dado nmero de
sucessos quando os acontecimentos ocorremnumcontinuum de tempo ou espao, ou
seja, permite-nos descrever fenmenos ou acontecimentos cuja ocorrncia se repete
no tempo ou no espao.
tambm utilizada para representar fenmenos raros.
Exemplos:
- Nmero de chamadas telefnicas por unidade de tempo;
- Nmero de acidentes por dia;
- Nmero de pessoas atendidas por minuto;
- Nmero de comboios chegados por hora;
- Nmero de cigarros fumados em 5 minutos;
- Nmero de defeitos por cm
2
;
- etc.
Algumas consideraes:
1. No processo de Poisson os acontecimentos ocorrem em continuum e no em
tentativas ou observaes xadas.
2. As falhas no so contveis.
3. A unidade de medida (tempo, rea) contnua mas a varivel aleatria
discreta.
Caractersticas que denem uma v.a. de Poisson ou Hipteses em que se
baseia a utilizao da Distribuio de Poisson:
1. A experincia consiste em contar o nmero x de vezes que um acontecimento
ocorre num determinado perodo de tempo ou rea espacial.
2. A probabilidade de ocorrncia a mesma em todo o campo de observao.
3. A probabilidade de mais de uma ocorrncia num nico ponto aproximada-
mente nula.
4. O nmero de ocorrncias em qualquer intervalo independente do nmero de
ocorrncias em outros intervalos.
56
5. O nmero mdio de acontecimentos por unidade denotado pela letra Grega
.
Nota:
- Teoricamente, o nmero de ocorrncias por unidade pode ir de zero at innito.
- No caso da Distribuio de Poisson, no nos dado o nmero de tentativas
(como na distribuio BinomialI nem a probabilidade de sucesso numa determinada
realizao da experincia. O que nos dado o nmero mdio de sucessos
numa determinada unidade de medida (perodo de tempo, rea...).
Denio: Uma varivel aleatria X, com funo de probabilidade
f(x) = P(X = x) =
e

x
x!
,
[x = 0, 1, 2... = 0, e = 2.71828...(a base do logaritmo natural)]
diz-se que tem distribuio de Poisson com parmetro , escrevendo-se simboli-
camente:
X v Po()
Teorema da aditividade da Lei de Poisson
Se as variveis aleatrias X
i
, i = 1, 2, ..., k so independentes, com distribuio
X
i
v Po(
i
)
ento
k
P
i=1
X
i
v Po

k
P
i=1

Notas:
1. Na resoluo de exerccios que envolvem a distribuio de Poisson, pode ser
usada uma tabela de probabilidades de Poisson que nos d a probabilidade
para cada nmero de sucessos para os diversos valores de .
2. Quando houver interesse na probabilidade "X ou mais sucessos", ou "X ou
menos sucessos"aplica-se a regra de adio para acontecimentos mutuamente
exclusivos.
3. Uma vez que se supe que o processo de Poisson estacionrio, a mdia do
processo ser sempre proporcional extenso do continuum de tempo ou
espao.
57
Tabela das Probabilidades de Poisson
Esta tabela mostra as probabilidades de Poisson para vrios . Exemplo: P(X =
5| = 2, 5) = 0, 0668.
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0
x
0 0,9048 0,8187 0,7408 0,6703 0,6065 0,5488 0,4966 0,4493 0,4066 0,3679
1 0,0905 0,1637 0,2222 0,2681 0,3033 0,3293 0,3476 0,3595 0,3659 0,3679
2 0,0045 0,0164 0,0333 0,0536 0,0758 0,0988 0,1217 0,1438 0,1647 0,1839
3 0,0002 0,0011 0,0033 0,0072 0,0126 0,0198 0,0284 0,0383 0,0494 0,0613
4 0,0000 0,0001 0,0003 0,0007 0,0016 0,0030 0,0050 0,0077 0,0111 0,0153
5 0,0000 0,0000 0,0000 0,0002 0,0004 0,0007 0,0012 0,0020 0,0031
6 0,0000 0,0000 0,0000 0,0001 0,0002 0,0003 0,0005
7 0,0000 0,0000 0,0000 0,0001
8 0,0000
2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9
x
0 0,1353 0,1225 0,1108 0,1003 0,0907 0,0821 0,0743 0,0672 0,0608 0,0550
1 0,2707 0,2572 0,2438 0,2306 0,2177 0,2052 0,1931 0,1815 0,1703 0,1596
2 0,2707 0,2700 0,2681 0,2652 0,2613 0,2565 0,2510 0,2450 0,2384 0,2314
3 0,1804 0,1890 0,1966 0,2033 0,2090 0,2138 0,2176 0,2205 0,2225 0,2237
4 0,0902 0,0992 0,1082 0,1169 0,1254 0,1336 0,1414 0,1488 0,1557 0,1622
5 0,0361 0,0417 0,0476 0,0538 0,0602 0,0668 0,0735 0,0804 0,0872 0,0940
6 0,0120 0,0146 0,0174 0,0206 0,0241 0,0278 0,0319 0,0362 0,0407 0,0455
7 0,0034 0,0044 0,0055 0,0068 0,0083 0,0099 0,0118 0,0139 0,0163 0,0188
8 0,0009 0,0011 0,0015 0,0019 0,0025 0,0031 0,0038 0,0047 0,0057 0,0068
9 0,0002 0,0003 0,0004 0,0005 0,0007 0,0009 0,0011 0,0014 0,0018 0,0022
10 0,0000 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0004 0,0005 0,0006
11 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002
12 0,0000 0,0000 0,0000 0,0000
3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,7 3,8 3,9
x
0 0,0498 0,0450 0,0408 0,0369 0,0334 0,0302 0,0273 0,0247 0,0224 0,0202
1 0,1494 0,1397 0,1304 0,1217 0,1135 0,1057 0,0984 0,0915 0,0850 0,0789
2 0,2240 0,2165 0,2087 0,2008 0,1929 0,1850 0,1771 0,1692 0,1615 0,1539
3 0,2240 0,2237 0,2226 0,2209 0,2186 0,2158 0,2125 0,2087 0,2046 0,2001
4 0,1680 0,1733 0,1781 0,1823 0,1858 0,1888 0,1912 0,1931 0,1944 0,1951
5 0,1008 0,1075 0,1140 0,1203 0,1264 0,1322 0,1377 0,1429 0,1477 0,1522
6 0,0504 0,0555 0,0608 0,0662 0,0716 0,0771 0,0826 0,0881 0,0936 0,0989
7 0,0216 0,0246 0,0278 0,0312 0,0348 0,0385 0,0425 0,0466 0,0508 0,0551
8 0,0081 0,0095 0,0111 0,0129 0,0148 0,0169 0,0191 0,0215 0,0241 0,0269
9 0,0027 0,0033 0,0040 0,0047 0,0056 0,0066 0,0076 0,0089 0,0102 0,0116
10 0,0008 0,0010 0,0013 0,0016 0,0019 0,0023 0,0028 0,0033 0,0039 0,0045
11 0,0002 0,0003 0,0004 0,0005 0,0006 0,0007 0,0009 0,0011 0,0013 0,0016
12 0,0001 0,0001 0,0001 0,0001 0,0002 0,0002 0,0003 0,0003 0,0004 0,0005
13 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0001 0,0001 0,0002
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
58
4,0 4,5 5,0 5,5 6,0 6,5 7,0 7,5 8,0 8,5 9,0 9,5 10,0
x
0 0,0183 0,0111 0,0067 0,0041 0,0025 0,0015 0,0009 0,0006 0,0003 0,0002 0,0001 0,0001 0,0000
1 0,0733 0,0500 0,0337 0,0225 0,0149 0,0098 0,0064 0,0041 0,0027 0,0017 0,0011 0,0007 0,0005
2 0,1465 0,1125 0,0842 0,0618 0,0446 0,0318 0,0223 0,0156 0,0107 0,0074 0,0050 0,0034 0,0023
3 0,1954 0,1687 0,1404 0,1133 0,0892 0,0688 0,0521 0,0389 0,0286 0,0208 0,0150 0,0107 0,0076
4 0,1954 0,1898 0,1755 0,1558 0,1339 0,1118 0,0912 0,0729 0,0573 0,0443 0,0337 0,0254 0,0189
5 0,1563 0,1708 0,1755 0,1714 0,1606 0,1454 0,1277 0,1094 0,0916 0,0752 0,0607 0,0483 0,0378
6 0,1042 0,1281 0,1462 0,1571 0,1606 0,1575 0,1490 0,1367 0,1221 0,1066 0,0911 0,0764 0,0631
7 0,0595 0,0824 0,1044 0,1234 0,1377 0,1462 0,1490 0,1465 0,1396 0,1294 0,1171 0,1037 0,0901
8 0,0298 0,0463 0,0653 0,0849 0,1033 0,1188 0,1304 0,1373 0,1396 0,1375 0,1318 0,1232 0,1126
9 0,0132 0,0232 0,0363 0,0519 0,0688 0,0858 0,1014 0,1144 0,1241 0,1299 0,1318 0,1300 0,1251
10 0,0053 0,0104 0,0181 0,0285 0,0413 0,0558 0,0710 0,0858 0,0993 0,1104 0,1186 0,1235 0,1251
11 0,0019 0,0043 0,0082 0,0143 0,0225 0,0330 0,0452 0,0585 0,0722 0,0853 0,0970 0,1067 0,1137
12 0,0006 0,0016 0,0034 0,0065 0,0113 0,0179 0,0263 0,0366 0,0481 0,0604 0,0728 0,0844 0,0948
13 0,0002 0,0006 0,0013 0,0028 0,0052 0,0089 0,0142 0,0211 0,0296 0,0395 0,0504 0,0617 0,0729
14 0,0001 0,0002 0,0005 0,0011 0,0022 0,0041 0,0071 0,0113 0,0169 0,0240 0,0324 0,0419 0,0521
15 0,0000 0,0001 0,0002 0,0004 0,0009 0,0018 0,0033 0,0057 0,0090 0,0136 0,0194 0,0265 0,0347
16 0,0000 0,0000 0,0001 0,0003 0,0007 0,0014 0,0026 0,0045 0,0072 0,0109 0,0157 0,0217
17 0,0000 0,0001 0,0003 0,0006 0,0012 0,0021 0,0036 0,0058 0,0088 0,0128
18 0,0000 0,0001 0,0002 0,0005 0,0009 0,0017 0,0029 0,0046 0,0071
19 0,0000 0,0001 0,0002 0,0004 0,0008 0,0014 0,0023 0,0037
20 0,0000 0,0001 0,0002 0,0003 0,0006 0,0011 0,0019
21 0,0000 0,0001 0,0001 0,0003 0,0005 0,0009
22 0,0000 0,0001 0,0001 0,0002 0,0004
23 0,0000 0,0000 0,0001 0,0002
24 0,0000 0,0001
25 0,0000
Parmetros da distribuio
Valor mdio Se X v Po()
ento,
E(X) =
Varincia Se X v Po()
ento,
V (X) =
=

Relao entre a distribuio binomial e a de Poisson

A distribuio de Poisson pode, s vezes, ser utlizada para aproximar a distribuio
binomial com parmetros n e p. Quando o nmero de observaes, n, grande e
a probabilidade de sucesso, p, pequena, a distribuio Bi(n, p) aproxima-se da
distribuio de Poisson com parmetro dado por = np.
Assim:
59
Se: X v Bi(n, p)
e: n ; p 0
Ento: E(X) = np e X

v Po()
Regra prtica:
Podemos aproximar uma distribuio Binomial a uma distribuio de Poisson se
n > 20; p < 0, 25; np < 8.
Exerccio 7 7.1) Um assistente recebe chamadas telefnicas na mdia de 120 por
hora. Supondo que o nmero de chamadas recebidas uma varivel aleatria com
distribuio de Poisson, determine a probabilidade de que:
a) Seja recebida uma chamada durante o perodo de um minuto
b) Sejam recebidas pelo menos duas chamadas durante esse perodo.
c) No chegue qualquer chamada durante 3 minutos.
7.2) O nmero de petroleiros que chegam diariamente a certa renaria uma vari-
vel aleatria com distribuio de Poisson com mdia 2.
Nas actuais condies, o cais da renaria pode atender, no mximo, 3 petroleiros
por dia.
a) Qual a probabilidade de, em qualquer dia, ser preciso mandar petroleiros para
outro lado?
b) Em quantos petroleiros deveriam ser aumentadas as instalaes de forma a per-
mitir o atendimento de todos os navios que chegam por dia?
c) Qual o nmero esperado de petroleiros a chegarem por dia?
d) Qual o nmero esperado de petroleiros a serem atendidos por dia?
7.3)A percentagem de lmpadas defeituosas de 3%. Determine a probabilidade de
em 150 lmpadas 4 serem defeituosas.
7.4) Uma empresa de aluguer de automveis tem 3 carros para alugar. Admita que
a procura diria de carros segue uma distribuio de Poisson de mdia 2.
a) Determine para um perodo de 100 dias, o nmero esperado de dias:
a.1) em que todos os carros so alugados.
a.2) em que alguns pedidos no so satisfeitos.
b) Quantos carros devem estar disponveis se se pretender que a probabilidade de
60
no satisfazer a procura seja inferior a 5%?
7.5) Um fabricante produz pulseiras constitudas por 6 argolas entrelaadas. Depois
da pulseira feita, independentemente do que acontece com as outras, cada argola
tem uma probabilidade, p, de abrir. As pulseiras so inspeccionadas e as que esto
perfeitas so vendidas a 2C= cada. As que tm apenas uma argola danicada so
vendidas como "danicadas"a 1C= cada. As que tm mais do que uma argola dani-
cada so inutilizadas e deitadas fora. Vericou-se que o quociente entre o nmero
de pulseiras perfeitas e o nmero de pulseiras vendidas como "danicadas" de 4
para 1.
a) Calcule p.
b) Determine a proporo de pulseiras inutilizadas.
c) Cada pulseira tem um custo de fabrico de 1C=. Determine o lucro esperado se
tiver um lote de 1000 pulseiras para vender.
7.6) Determine qual o nmero mnimo de vezes que um dado deve ser lanado para
que a probabilidade de que a sena saia pelo menos uma vez seja maior do que 50%.
7.7) Certo posto de bombeiros recebe em mdia 3 chamadas por dia. Calcule a pro-
babilidade de:
a) Receber 4 chamadas num dia.
b) Receber 3 ou mais chamadas num dia.
7.8) Sabe-se que a probabilidade de que uma determinada mquina fabrique uma
pea defeituosa de 0,0001. Num dado ano fabricaram-se 20.000 peas. Qual a
probabilidade de que o nmero de peas defeituosas produzidas num ano por esta
mquina seja maior do que 2?
7.9) Sabe-se que numa produo em srie, 8% dos artigos fabricados so defeituosos.
Embalados em caixas de 30 unidades, o produtor garante que cada caixa contm,
quando muito, 3 peas defeituosas. Calcule a probabilidade de que tal garantia se
conrme.
61
3.3 Distribuies contnuas de probabilidade
Variveis aleatrias contnuas: podem assumir qualquer valor dentro de um
intervalo denido. Assim, a funo de probabilidade ser construda com base na
funo matemtica correspondente
Conceitos associados noo de varivel aleatria contnua
1. Funo de distribuio associada varivel aleatria X Denio:
Dada uma varivel aleatria contnua X, existe sempre uma funo F(X) no neg-
ativa que verica a relao:
F(x) =
x
R

f(t)dt, x R
Esta funo F(x) representa a probabilidade de X ser menor ou igual a x e
designa-se por funo distribuio associada varivel aleatria X.
Simbologia: F(x) = P(X x)
2. Funo densidade de probabilidade associada varivel aleatria X
Conceito: funo f(x) chama-se funo densidade de probabilidade associada
varivel aleatria X, a qual verica as seguintes propriedades:
1. f(x) 0, x R
2.
+
R

f(x)dx = 1
3. Notas:
1. f(x) =
(
dF(x)
dx
, nos pontos onde existe F
0
(x)
0, para os restantes pontos
62
2. Vamos considerar que a probabilidade pontual nula: P(X = x) = 0
3. f(x) 6= P(X = x)
4. F(x) = P(X x), porque P(X = x) = 0.
4. Propriedades da funo distribuio
1. 0 F(x) 1, x R
2. F(x) uma funo montona no decrescente: x
1
< x
2
F(x
1
) F(x
2
)
3. lim
x
F(x) = 0 e lim
x+
F(x) = 1
4. F(x) uma funo contnua em R
5. Situaes indiferentes:
P(x
1
< X < x
2
) = P(x
1
X x
2
) = P(x
1
< X x
2
) = P(x
1
X < x
2
) =
F(x
2
) F(x
1
)
5. Probabilidade condicionada ou truncada Denio: Seja um subcon-
junto de R tal que P(X A) > 0. funo
_
_
_
f(x|X A =
f(x)
R
A
f(t)dt
, x A
0, x / A
chama-se funo densidade de probabilidade truncada ou condicionada.
Denio: funo F(x|X A) =
x
R

f(t|X A)dt chama-se funo dis-

tribuio truncada ou condicionada.
6. Distribuio de probabilidade de uma funo de uma varivel aleatria
Seja X uma v.a. contnua com f.d.p. f(x) e seja uma funo denida pelo menos
nos valores possveis de X. A v.a. Y = (x) , em geral, contnua e a sua f.d.p.
g(y) pode ser denida por:
1
o
caso: estritamente montona no intervalo de valores possveis de X e,
portanto, tem inversa
1
. Ento:
g(y) = f(
1
(y))

d
1
(y)
dy

63
2
o
caso: no estritamente montona em todo o domnio, mas este pode ser
decomposto em k sub-intervalos onde montona e, portanto, tem inversa
1
.
Ento:
g(y) =
k
P
i=1
f(
1
i
(y))

d
1
i
(y)
dy

7. Valor esperado
- De uma v.a.
E(X) = =
+
R

x f(x)dx
- De uma funo de uma v.a.
E[(x)] =
+
R

(x) f(x)dx
8. Varincia (de uma v.a.) V (X) = E(X
2
) [E(X)]
2
onde
E(X
2
) =
+
R

x
2
f(x)dx
64
Exerccio 8 8.1) A distribuio do rendimento anual , em centenas de euro, em
certo pas, obedece a uma lei Paretiana com funo distribuio:
F(X) =
(
0, se x < 10
1
A
x
, se x 10
a) Determine A e represente gracamente F(x).
b) Determine f(x).
c) Suponha que neste pas existem 10 milhes de titulares de rendimentos. Deter-
mine o nmero dos que possuem um rendimento superior a 2000C=.
8.2) A v.a. X caracterizada pela seguinte f.d.p.:
f(x) =
_

_
x
2
, 1 < x 0
x, 0 < x 1
1
12
, 1 < x 3
0, outros valores
a) Verique que se trata de uma f.d.p..
b) Determine F(X).
c) Calcule P

X <
1
2

, P

X >
2
3

e P

1
2
< X < 2

.
8.3) Considere a seguinte f.d.p.:
f(x) =

3x
2
, 1 x 0
0, outros valores
a) Determine F(X).
b) Calcule P

X <
1
2

.
c) Calcule E(X) e V (X).
8.4) Uma empresa produtora de munies de pequeno calibre xa as seguintes condies
de preo para cada remessa:
- 10C=, se numa amostra de 5 disparos com balas da remessa, nenhum se afastar do
alvo mais de 2 cm.
- 8C=, se pelo menos 1 dos disparos se afastar do alvo mais de 2cm.
Sabendo que a distncia de cada disparo ao alvo uma v.a. com f.d.p.:
f(x) =
(
1
3
, se 0 < x < 3
0, outros x
e que o custo de cada remessa de 7C=, calcule o lucro esperado de uma remessa.
65
3.3.1 Distribuio Normal ou de Gauss
Utilizao:
- Descrio de fenmenos fsicos
- Aparece associada a variveis biomtricas (de medida, de peso, de altura, de
comprimento, etc.)
- Aparece relacionada com variveis ligadas produo em srie
- Ajusta-se bem a variveis residuais (Ex
o
variveis eero), que aparecem em
muitos modelos economtricos
- Em muitas situaes limite, as outras distribuies convergem para a dis-
tribuio Normal
Funo densidade de probabilidade
Denio: Diz-se que uma v.a. X segue uma distribuio Normal com parmetros
e
2
, se a sua f.d.p. da forma:
f(x) =
1

2
e
[

1
2
(
x

)]
2
, x R
Simbologia:
X v N(,
2
) ou X v N(, )
onde
R

2
> 0
Teorema da aditividade
Se X
1
, X
2
, ..., X
k
so variveis aleatrias independentes comdistribuio X
i
v N(
i
,
2
i
),
i = 1, 2..., k, ento:
k
P
i=1
X
i
v N

k
P
i=1

i
,
k
P
i=1

2
i

(aplica-se sempre com a varincia)

Valor mdio de uma distribuio Normal
E(X) =
66
Varincia de uma distribuio Normal
V (X) =
2
Funo de distribuio
Denio
(x) =
1

2
x
R

e
[

1
2
(
x

)]
2
dx
Propriedades
1. F() = 0
2. F(+) = 1
3. P(a X b) = F(b) F(a) =
b
R
a
1

2
e
[

1
2
(
x

)]
2
dx
Nota
F() = P(X ) = P(X ) =

R

2
e
[
1
2
(
x

)]
2
dx =
1
2
3.3.2 Distribuio Normal reduzida ou tipicada ou stan-
dardizada
Teorema
Se X v N(,
2
)
Ento
Z =
X

v N(0, 1)
Funo densidade de probabilidade
g(z) =
1

2
e
(
z
2
2
)
pois
= 0
= 1
(esta funo est tabelada)
67
Valor mdio
E(Z) = 0
Varincia
V (Z) = 1
Funo distribuio
(z) = G(z) = P(Z z) =
z
R

2
e
(

z
2
2
)
(tambm est tabelada)
Relao entre f(x), F(x), g(z) e (z)
1. f(x) =
1

2. F(x) =

Nota:
(z) = 1 (z)
3.3.3 Aproximao entre distribuies
Aproximao da Binomial Normal
Pode fazer-se o ajsutamento da distribuio binomial distribuio normal, quanod
n (nmero de provas), for elevado n > 10, e com, p no muito pequeno.
A lei Normal, uma lei de distribuio contnua e assim para o ajustamento
ser feito deve considerar-se os valores da v.a. no, por exemplo, de 4 a 8 mas de
3,5 a 8,5. A aplicao da distribuio normal de parmetros x e , obriga-nos
determinao destes valores. Os parmetros so calculados atravs da distribuio
binomial. Calculados os parmetros pode passar-se distribuio normal reduzida
de forma a que atravs das tabelas se determine a rea compreendida entre 2 valores.
Exemplos:
1. P(X = 3) P(2, 5 < X < 3, 5)
68
2. P(X < 5) = P(X 4) P(X < 4, 5)
3. P(X > 6) = P(X 7) P(X > 6, 5)
z =
x
i

Z0 =

(x
i
np)0,5

np(1p)

(0, 5 correco para a continuidade)

Aproximao da Binomial Poisson
Pode fazer-se o ajustamento da distribuio binomial distribuio de Poisson
quando n for elevado, n > 20, e p for muito pequeno (prximo de zero)
Aproximao da Poisson Normal
razovel utilizar a aproximao da Poisson Normal se for maior do que 5.
X v Po() vN(, )
Z=

(x
i
)0,5

(0, 5 correco para a continuidade)

Teorema do limite central
Se X
i
(i = 1, 2, ..., n) sejam v.a. independentes e idnticamente distribudas, para
amostras com uma dimenso sucientemente grande (n 30) a distribuio das
mdias amostrais x ser aproximadamente normal, com mdia e varincia

2
n
.
n
P
i=1
X
i
vN(n, n
2
)
medida que n aumenta, a aproximao normal melhora. Para transformar
os valores de x para valores de Z da N(0, 1) :
Z =
X

n
Teorema da aditividade da lei normal 6= Teorema do limite central
No obrigatrio que a dist. seja igual as v.a. tm que ser todas iid
Bastam 2 v.a. n muito grande
Soma-se variveis com dist. normal no se conhece a dist seguida pelas v.a.
v N vN
Forma da distribuio Normal reduzida
2
:
2
http://www.scmbb.ulb.ac.be/~jvanheld/statistics_bioinformatics/pdf_les/05.theoretical_distrib.pdf
69
Exerccio 9 9.1) O tempo T, em minutos, que um tcnico demora a fazer uma
dada reparao, uma v.a. com distribuio Normal, de mdia 30 e desvio padro
5. Determine
a) E(T
2
)
b) A probabilidade de o tcnico demorar mais de 30 minutos a fazer uma reparao.
c) A probabilidade de o tcnico demorar entre 20 e 35 minutos a fazer uma reparao.
d) Sabendo que num dado dia, o tcnico tem 10 reparaes idnticas a fazer (sendo
T o tempo de reparao de cada avaria), diga justicando, se 6 horas so sucientes
para fazer essas reparaes.
9.2) Um servidor de electricidade debita mensalmente aos seus clientes um consumo
terico, T, de energia elctrica, calculado de tal modo que a probabilidade do con-
sumo efectivo o exceder seja de 30.85%.
Suponha um cliente cujo consumo por ms segue lei Normal de mdia 400kwh e
desvio padro 40kwh
a) Qual o consumo terico debitado mensalmente?
b1) Qual a distribuio de probabilidade do consumo efectivo durante 3 meses? Ex-
70
plicite as hipteses que achar conveniente.
b.2) Qual a probabilidade de ao m de 3 meses, o consumo terico exceder o efectivo
em mais de 100kwh?
c) Ao m de quantos meses deve o servidor proceder leitura do consumo efectivo,
a m de que, com probabilidade de 50% o consumo terico at ento debitado no
exceda o efectivo em mais de 100kwh?
9.3) Considere um jogo consistindo em lanar simultaneamente 20 dados.
a) Seja a v.a. X="nmero de dados com resultado par"
a.1) Determine a funo de probabilidade de X
a.2) Determine a probabilidade de numa partida haver pelo menos 15 dados com
face par.
b) O jogador paga por cada partida uma quantia xa de 70C= e recebe tantos C= quanto
a soma dos pontos obtidos. Qual a esperana matemtica do ganho?
9.4) Numa instalao fabril, funcionam em condies de perfeita independncia, 100
mquinas do mesmo tipo.
Sabe-se que cada mquina tem um consumo mdio de combustvel de 20 litros/hora,
com desvio padro de 2 litros. No se conhece todavia a distribuio de probabilidade
do consumo de combustvel comum s 100 mquinas.
a) Indique a distribuio aproximada de
y
100
="consumo de combustvel das 100 mquinas numa hora"
b) Calcule P(Y
100
> 2030).
9.5) Certo estabelecimento tem instaladas duas mquinas de tirar caf, M1 e M2,
que conjuntamente servem em mdia 10 cafs em cada 5 minutos. Sabe-se ainda
que:
- o nmero de cafs tirados por uma mquina num dado perodo uma v.a. de
Poisson;
- a probabilidade de M1 tirar mais de 9 cafs em cada 5 minutos de 0,81%
- a quantidade de caf torrado incorporado em cada caf (bebida) uma v.a. Normal
de mdia 20gr e varincia 4 gr
2
,
- o estabelecimento trabalha ininterruptamente 6 horas por dia.
Nestas condies calcule:
71
a) O nmero mdio de cafs tirados por M1 e M2 em 5 minutos.
b) A probabilidade de um caf (bebida) incorporar menos de 20 gr de caf (matria-
prima).
c) A probabilidade de em 100 cafs, haver 60 ou mais incorporando menos de 20gr
de caf (matria-prima).
d) A probabilidade de em 100 cafs a quantidade de caf (matria.prima) incorpo-
rado ser inferior a 1,95Kg.
9.6) Algumas resistncias R
i
(i = 1, 2, ..., n) so montadas em srie num circuito.
Supondo que a resistncia em Ohms de cada uma normalmente distribuda, com
mdia igual a 10 e a varincia igual a 0,16 diga:
a) Se n = 5, qual a probabilidade de que a resistncia total do circuito exceda 49
Ohms?
b) Quantas resistncias se devem montar de forma a que a resistncia total exceda
100Ohms em aproximadamente 5% dos casos?
9.7) Um produto pesa em mdia 8gr com desvio padro 5gr. embalado em caixas
de 144 unidades, cada caixa (vazia) pesando em mdia 200gr e com desvio padro
10gr.
Supondo que a distribuio dos pesos Normal, qual a probabilidade de uma caixa
cheia pesar mais do que 1400gr?
9.8) Num complexo industrial inspeccionam-se 100 componentes de um sistema elc-
trico. Considere, para cada componente, uma v.a. X
i
(i = 1, ..., 100)qur oma o valor
1 se a componente opervel e 0 se a componente defeituosa. De experincias an-
teriores, sabe-se que a probabilidade de encontrar uma componente opervel de
80%.
a) Considere a v.a. y =
100
P
i=1
X
i
a.1) Diga, claramente, qual o signicado de Y.
a.2) Qual a distribuio de probabilidade de Y ? Justique.
b) Qual a probabilidade de que exactamente 80 componentes sejam operveis?
9.9) O nmero mdio de chamadas que entre as 14 e as 20h auem a uma central
telefnica de 100 por hora. Calcule a probabilidade de, no perodo das 17 s 18
horas haver:
72
a) Mais do que 100 e menos de 120 chamadas.
b) 90 ou mais chamadas.
c) Exactamente 100 chamadas.
Determinadas distribuies, de grande importncia na inferncia, surgem por
amostragem de populaes normais. So o caso das distribuies qui-quadrado, t de
Student e F de Snedecor.
3.3.4 Distribuio Qui-Quadrado
Denio: Supondo que X
i
(i = 1, 2, ..., n) sejam v.a. independentes normalmente
distribudas, sendo, alm disso, a esperana matemtica de cada uma delas igual a
zero, e o desvio padro igual unidade. A soma dos quadrados dessas variveis:

2
=
n
P
i=1
X
2
i
obedece chamada lei do qui-quadrado com k = n graus de liber-
dade; se, no entanto, estas variveis esto ligadas por uma relao linear, p. ex
o
,
n
P
i=1
X
i
= nX, o nmero de graus de liberade k = n 1.
Diz-se que uma v.a. X segue uma distribuio do qui-quadrado com k graus de
liberdade se a sua f.d.p. dada por:
f(x) =
e

x
2 x
k
2
1
2
k
2
(
k
2
)
, x > 0, k > 0, inteiro
onde:

k
2

=
+
R
0
x
k
2
1
e
x
dx
A designao de "graus de liberdade"dada ao parmetro k tem origem no facto
de, em certas condies, a distribuio de qui-quadrado descrever o comportamento
proabilstico de v.a. que se podem obter como somas de k+m v.a. mas em que a ex-
istncia de m vnculos lineares entre elas restringe a liberdadedesse comportamento.
Com o aumento do nmero de graus de liberadde, a distribuio aproxima-se
lentamente da normal.
Simbologia: X v
2
(k)
Caracterizao
E(X) = k
V (X) = 2k
Teorema da aditividade
73
Se X
i
(i = 1, 2, ..., n) so v.a.s aleatrias independentes com distribuio qui-
quadrado, ie:
X
i
v
2
(k
i
)
Ento
n
P
i=1
X
i
v
2

n
P
i=1
k
i
!
Teorema:
Geral: Se X
i
(i = 1, 2, ..., n) so v.a.s aleatrias independentes com X
i
v
N(, ), ento
n
P
i=1
(X
i
)
2

2

2
(n)
Corolrio: Se X
i
(i = 1, 2, ..., n) so v.a.s aleatrias independentes com X
i
v
N(0, 1), ento
n
P
i=1
X
2
i
v
2
(n)
Aproximao da distribuio do qui-quadrado distribuio normal
Teorema: Se X v
2
(k)
, ento para um k sucientemente grande (regra prtica
k 30), temos que:

2X

2k v N(0, 1)
A distribuio
2
tem largas aplicaes na construo de intervalos de conana,
testes de signicncia e testes de hipteses.
Formas da distribuio de qui-quadrado
3
:
3
http://www.scmbb.ulb.ac.be/~jvanheld/statistics_bioinformatics/pdf_les/05.theoretical_distrib.pdf
74
Exerccio 10 10.1) Determine os valores crticos de
2
que denem as regies crti-
cas contendo uma rea de 0,025 em cada cauda. Suponha que o nmero de graus de
liberdade 9.
10.2) Encontre os valores crticos de
2
e
e
2
d
que correspondem ao percentil e graus
de liberdade indicados:
a) 95%, k = 25;
b) 99%, k = 16;
c) 90%, k = 59;
d) 95%, k = 49.
10.3) O grco da distribuio de qui-quadrado com 5 graus de liberdade est repre-
sentado na seguinte gura:
75
Determine os valores crticos de
2
para os quais:
a) a rea sombreada direita seja igual a 0,05;
b) a rea total sombreada seja igual a 0,05;
c) a rea sombreada esquerda seja igual a 0,1;
d) a rea sombreada direita seja igual a 0,01.
10.4) Determine os valores medianos de
2
correspondentes aos graus de liberdade:
a) 9;
b) 28;
c) 40;
(Notar que os valores medianos so aproximadamente iguais aos nmeros de graus
de liberdade. De facto para k > 10, os valores medianos so iguais a (k 0, 7).
3.3.5 Distribuio t-Student
Denio: Diz-se que uma v.a. X segue uma distribuio t-Student com k graus
de liberdade, se a sua f.d.p. :
f(x) =
(
k+1
2
)

n(
k
2
)

1 +
x
2
k

k+1
2
, x R
Simbologia: X v T
(k)
Propriedades:
1. Simtrica em relao origem
2. E(X) = 0
3. F(X) = 1 F(X)
(a distribuio t-Student s est tabelada para valores positivos de X)
4. V (X) =
k
k+2
, k > 2
(existem vriveis para as quais a varincia no est denida)
Teorema
Geral: Se X e Y so v.a.s independentes com distribuies:
X v N(, )
Y v
2
(k)
76
Ento:
X

Y
k
v T
(k)
Corolrio: Se X e Y so variveis aleatrias independentes com distribuies:
X v N(0, 1)
Y v
2
(k)
Ento:
X

Y
k
v T
(k)
Teorema: Se X v T
(k)
ento, para k 30, temos:
X

v N(0, 1)
Notas:
1. At k = 30 os valores esto tabelados
2. A partir de 30, pode no haver tabela mas sabe-se que a varivel segue apro-
ximadamente uma distribuio Normal reduzida.
Distribuies t- Student
4
:
4
http://www.scmbb.ulb.ac.be/~jvanheld/statistics_bioinformatics/pdf_les/05.theoretical_distrib.pdf
77
Exerccio 11 11.1) O grco da distribuio t-Student, com 9 graus de liberdade,
est representado na seguinte gura:
determine os valores de t
1
para os quais:
a) a rea sombreada direita igual a 0,05;
b) a rea sombreada total igual a 0,05;
c) a rea no sombreada total igual a 0,99:
d) a rea sombreada esquerda igual a 0,01;
e) a rea esquerda de t
1
igual a 0,9.
11.2) Determine os valores crticos de t para os quais a rea da extremidade direita
da distribuio t 0,05, quando o nmero de graus de liberdade for igual a:
a) 16;
b) 27;
c) 200.
3.3.6 Distribuio F-Snedecor
Denio: Diz-se que uma v.a. X segue uma distribuio F-Snedecor com k
1
e k
2
graus de liberdade, se a sua f.d.p. dada por:
f(x) =
1
B(
k
1
2
,
k
2
2
)

k
1
k
2
x

k
1
2
1

1+
k
1
k
2
x

k
1
+k
2
2

k
1
k
2
Com:
x > 0
k
1
> 0, inteiro
k
2
> 0, inteiro
onde:
B(m, n) =
+
R
0
z
m1
(1+z)
m+n
dz
Nota:
78
S assume valores positivos. Logo, falso dizer que se X segue uma distribuio
deste tipo, ento X tambm segue.
Simbologia: X v F(k
1
, k
2
)
Caracterizao:
E(X) =
k
2
k
2
2
, k
2
> 2
V (X) =
1k
2
2
(k
1
+k
2
2)
k
1
(k
2
2)
2
(k
2
4)
, k
2
> 4
Teorema: Se X v F(k
1
, k
2
), ento,
1
X
v F(k
2
, k
1
)
(este teorema de extrema utilidade para consultar tabelas)
Teorema: Seja X v
2
(k)
Se 30 k < 100 =

2X

2k v N(0, 1)
Se k 100 =X v F(k, 2k)
3.4 Estimadores estatsticos dos parmetros das
distribuies
Suponha que se quer estudar a distribuio, numa populao, de um atributo quan-
titativo. Admita que, com base em consideraes tericas possvel estabelecer o
apsecto da sua lei de distribuio. Surge aqui o problema de avaliar os parmetros
que individualizam esta distribuio. Por exemplo: sabendo que o atributo est dis-
tribudo normalmente na populao necessrio estimar a esperana m,atemtica e
o desvio padro, dado que estes dois parmetros determinam univocamente a dis-
tribuio nomrla; se o atributo obedecer lei de Poisson, ser necessrio estimar o
parmetro , que individualiza esta distribuio, etc.
Frequentemente o que existe disposio so os dados amostrais. Atravs destes
dados que se expressar o parmetro estimado. Chama-se estimador estatstico de
uma parmetro desconhecido de uma distribuio terica a uma funo apropriada
das variveis aleatrias observadas.
79
3.4.1 Propriedades desejveis dos estimadores
Para que os estimadores estatsticos dem boas aproximaes dos parmetros avali-
ados, devem satisfazer determiandos critrios:
No enviezamento
O emprego de um estimador estatstico, cuja esperana matemtica no seja igual
ao parmetro avaliado, conduziria a erros sistemticos (do mesmo sinal). Seja
b
um
estimador estatstico de um parmetro desconhecido de uma distribuio terica,
ento deve vericar-se que E(
b
) = . Ainda que o respeito deste requisito no
elimine os erros (uns valores de
b
so maiores do que e outros menores), erros de
diferentes sinais sero, no entanto, encontrados com igual frequncia (a soma dos
desvios ser nula). Assim, a exigncia que E(
b
) = garante contra a obteno de
erros sistemticos. Um estimador estatstico
b
, cuja esperana matemtica igual ao
parmetros estimado para qualquer dimenso da amostra dito no-enviezado.
Ecincia
, no entanto, errado pensar que qualquer estimador no-enviezado fornece sempre
uma boa aproximao do parmetro etsiamdo. Os valores possveis de
b
podem
estar fortemente dispersos em torno do valor mdio, i.e., V (
b
) pode ser signicativa.
Neste caso, a estimativa pode diferir consideravelmente do valor mdio e, portanto,
do prprio valor do parmetro estimado . Um estimador estatstico que tiver (para
uma dada dimenso da amostra) a menor varincia possvel dito eciente.
Consistncia
No estudo de amostras de grande dimenso o etsimador estatstico empregado deve
satisfazer o requisito da consistncia. Um estimador estatstico que, para n ,
converge em probabilidade para o parmetro estimado, denominado de consistente.
3.4.2 Preciso de uma estimativa
Denomina-se pontual qualquer estimativa que fornece um nico valor numrico.
Denomina-se estimativa por intervalo a que fornece os limites de um intervalo
80
susceptvel de conter o parmetro estimado. Neste caso, ao intervalo, chamado
intervalo de conana, associa-se uma probabilidade.
Suponhamos que um nmero
b
encontrado atravs dos dadosamostrais serve de
estimativa de um parmetro desconhecido .
b
aproximar-se- do parmetro com
maior preciso, quanto menor for a grandeza absoluta da diferena

. Por
outras palavras, se > 0 e

< , quanto menor for , tanto mais precisa ser

a estimativa. Deste modo, o nmero estritamente positivo caracteriza a preciso
da estimativa.
No entanto, os mtodos estatsticos no possibilitam armar categoricamente
que a estimativa
b
satisfaz a desigualdade

< ; pode-se apenas falar da

probabilidde , com a qual a desigualdade se verica.
Denomina-se conana de uma estimativa
b
de a probabilidade , associada
ao nmero , com a qual se verica a desigualdade

< . Normalmente a
conana imposta priori.
P
h

<
i
=

< equivale a
(
<
b

>
b

<
b
<
b
< <
b
+
vem:
P
h
b
< <
b
+
i
=
Esta relao deve ser entendida assim: a probabilidade de que o intervalo (
b

,
b
+) contenha o parmetro desconhecido igual a . Este intervalo denomina-se
intervalo de conana.
Nota: Como para diferentes amostras se observaro diferentes valores de
b
, os
limites do intervalo so aleatrios. Sendo aleatrio o intervalo de conana e no
o parmetro estimado , mais correcto falar da probabilidade de que o intervalo
de conana compreenda e no da probabilidade com que cai no intervalo de
conana.
Intervalos de conana na avaliao da mdia de uma distribuio normal
1. Varincia conhecida
81
X Z
/2
q

2
n
2. Varincia desconhecida
X t
(/2; n1)
q
s
2
n
Exerccio 12 12.1) Seja X uma varivel aleatria normal com desvio padro con-
hecido = 3. Dada uma mdia amostral, x = 4, 1, e a dimenso da amostra, n = 36,
calcule o intervalo de conana que contm a esperana matemtica desconhecida
com probabilidade de 0,95.
12.2) Suponha que temos n = 25 iid observaes de uma distribuio N(,
2
) com
= 30. Suponha que a mdia amostral 278. Calcule o intervalo a 1 = 0.95 de
conana para .
12.3) Seja X um atributo quantitativo mormalmente distribudo numa populao.
Por uma amostra de dimenso n = 16 foi encontrada a mdia, x = 20, 2 e o desvio
padro s = 0, 8. Estime a esperana matemtica desconhecida indicando o intervalo
de conana associado a uma probabilidade de 0,95.
12.4) Para uma amostra de 20 observaes a mdia 9,8475 e o desvio padro
0,0954. Estime indicando o intervalo de conana associado a uma probabilidade
de 0,95.
3.4.3 Testes de hipteses estatsticas
Muitas vezes necessrio tomar decises sobre populaes com base em informaes
amostrais. Essas decises so denominadas de decises estatsticas. Por exemplo,
podemos emitir uma hiptese do tipo: =
0
,
0
um certo valor conjecturado do
parmetro em questo.
Hipteses estatsticas
Ao tentar chegar s decises, conveniente a formulao de hipteses acerca das
populaes em questo. Essas suposies, que podem ou no ser verdadeiras, so
denominadas de hipteses esatsticas e, em geral, so armaes acerca das dis-
tribuies de probabilidade das populaes.
82
A hiptese H
0
que se testa denomina-se nula.
Uma hiptese H
1
que contradiz a hiptese nula chama-se alternativa.
Assim, se a hiptese nula armar que a esperana matemtica de uma dis-
tribuio igual a 10, a hiptese alternativa poder ser 6= 10; > 10; < 10.
Erros de primeira e de segunda espcie
A hiptese emitida pode ser correcta ou incorrecta, por isso surge a necessidade de
test-la. Ao tomar a deciso de rejeitar ou no a hiptese nula podemos cometer
erros das seguintes espcies:
Erro de primeira espcie: rejeitar H
0
quando ela verdadeira.
Erro de segunda espcie: no rejeitar H
0
quando ela falsa.
A probabilidade de cometer um erro de primeira espcie denota-se por e
denomina-se de nvel de signicncia. Se escolhermos um nvel de signicn-
cia de, por exemplo, 5% (h 5% de hipteses de rejeitarmos a hiptese quando ela
verdadeira), i.e., h uma conana de cerca de 95% de que se tome uma deciso
acertada.
Critrios estatsticos e os valores observados destes
Para testar a hiptese nula, emprega-se uma varivel aleatria especialmente escol-
hida cuja distribuio exacta ou aproximada se conhece.
Denomina-se critrio estatstico (ou simplesmente critrio) a varivel aleatria
que serve para testar a hiptese nula.
O teste de hipteses baseia-se no valor que o critrio assumir como funo das
variveis que o compem, estas ltimas tendo sido calculadas a partir das obser-
vaes. Denomina-se valor observado o valor do critrio calculado a partir das
amostras.
Regio crtica. Regio de no rejeio. Pontos crticos.
Denomina-se regio crtica o conjunto de valores do critrio que implicam a rejeio
da hiptese nula.
Regio de no rejeio da hiptese o conjunto dos valores do critrio para
os quais no se rejeita a hiptese.
83
O teste de hiptese estatstica consiste em rejeitar a hiptese se o valor observado
do critrio pertencer regio crtica e de no rejeitar a hiptese caso contrrio. As
regies crtica e de no rejeio so intervalos. Logo, existem determiandos pontos
que os separam.
Chamam-se crticos os pontos que separam a regio crtica da regio de no
rejeio da hiptese.
Distingue-se regio crtica unilateral ( direita ou esquerda) ou regio crtica
bilateral.
Estabelecimento de regies crticas direita
Uma regio crtica direita determinada por uma desigualdade K > k
cr
, onde
k
cr
> 0. Assim, para determinar uma regio crtica direita, basta determinar o
ponto crtico.
Se xarmos o nvel de signicncia , ou seja, o risco de cometer o erro de rejeitar
a hiptese nula quando ela verdadeira, encontra-se o ponto crtico k
cr
, de tal modo
que a probabilidade de que o critrio K assume um valor superior a k
cr
seja igual
ao risco de erro tolerado:
P(K > k
cr
) =
As tabelas estatsticas permitem encontrar, para um dado nvel de signicncia,
os pontos crticos dos critrios geralmente empregues.
Uma vezx achado o ponto crtico, calcula-se pelos dados experimentais o valor
observado do critrio e, se resulta que K
obs
> k
cr
, a hiptese nula rejeitada, se
K
obs
< k
cr
a hiptese nula no rejeitada
Teste unilateral e teste bilateral
O teste unilateral esquerda semelhante ao teste direita e implica tamb o
estabelecimento dos respectivos pontos crticos. Calcula-se
P(K < k
cr
) =
AS regio crtica bilateral determina-se por duas desigualdades K < k
1
e K > k
2
.
Admitindo que a hiptese nula verdadeira encontram-se os pontos crticos de tal
modo que a soma das probabilidades de que o critrio tome um valor menos que k
1
ou maior que k
2
seja igual ao risco tolerado.
84
P [(K < k
1
) + (K > k
2
)] = .
se a distribuio do critrio for simtrica em relao a zero e houver razes de se
escolher pontos simtricos em relao a zero k
cr
e k
cr
(k
cr
> 0) teremos:
P(K < k
cr
) = P(K > k
cr
)
e
P(K > k
cr
) =

2
Esta a relao que habitualmente se utiliza para achar os pontos crticos
numteste bilateral. Os pontos crticos so encontardos nas tabelas correspondentes.
Exerccio 13 13.1) Foram analisados os pesos de 25 rapazes de 9 anos. Suponha
que os pesos so normalmente distribudos com = 4. A mdia amostral dos 25
pesos 42. Teste a hiptese de que o peso mdio seja 40. Considere a probabiliadde
de cometer um erro de tipo I = 0, 05..
13.2) Considere o tempo para metabolizar um medcamento. O medicamento actual
demora
0
= 15 minutos. Ser o novo medicamento melhor? (considere um nvel de
signicncia de 5%). Faa o teste para uma amostra com 20 observaes, x = 14, 88,
s = 0, 333.
13.3) Um produtor de lmpadas anuncia que a durao mdia de cada lmpada que
produz de 800 horas. Uma amostra aleatria de 11 lmpadas permitiu obter os
seguintes resultados: x = 722, 7 horas; s = 107, 8 horas. Teste, com um nvel de
signicncia de 5%, o argumento de que a vida mdia das lmpadas seja de pelos
menos 800 horas.
13.4) Um produtor de tinta em spray argumenta que o tempo de secagem das pin-
turas de 90 segundos. Um investigador qumico diz que se se adicionar um produto
qumico, que ele desenvolveu, tinta o tempo de secagem ser menor. Adicionou-se
o produto qumico tinta e pintaram-se 15 paredes. Os resultados obtidos foram
os seguintes: tempo de secagem mdio = 86 segundos; s = 4, 5 segundos. Teste o
argumento do investigador qumico com um nvel de signicncia de 1%.
13.5) Uma produtora de tabaco anunciou que os seus melhores cigarros sem ltro
contm no mximo 40mg de nicotina, mas a associao de defesa dos consumi-
dores fez um teste com 10 cigarros seleccionados aleatoriamente e concluiu que os
85
montantes de nicotina eram os mostrados na tabela abaixo. Como a dimenso da
amostra pequena e como acusar uma empresa um assunto srio, o director da
associao decidiu escolher um nvel de signicncia de 1% para testar a sua crena
de que o montante mdio de nicotina maior do que 40 mg.
47,3 43,3 39,3 42,3 40,3 49,3 38,3 40,3 46,3 46,3
13.6) Para os testes de hipteses seguintes utilize o guio para apresentar os clculos
que lhe permitem chegar soluo:
a) Indique H
0
e H
1
;
b) Identique o nvel de signicncia, ;
c) Calcule os graus de liberdade;
d) Calcule o t observado;
e) Utilize as tabelas para identicar o t crtico;
f) Tome a deciso estatstica (Rejeitar ou no H
0
);
g) Interprete a deciso no contexto do argumento original, i.e., explique o que a
deciso signica no problema dado.
13.6.1) Um tcnico de computadores acredita que o custo mdio de reparao de um
computador de C=95. Para testar esta hiptese, foram determinados os custos de
reparao de 7 computadores seleccionados aleatoriamente e chegou-se concluso
que o custo mdio de reparao era de C=100 por computador com um desvio padro
amostral de C=42,5. Para = 0, 01 tem evidncia suciente para suportar o argu-
mento do tcnico?
13.6.2) Um tcnico que repara microondas diz que o custo mdio de reparao de
um microondas menor do que C=100. Voc trabalha para o tcnico e quer testar
este argumento. Criou uma amostra aleatria de 5 microondas com custo mdio de
reparao de C=75 e desvio padro amostral de C=12,5. Com = 0, 01 tem evidncia
suciente para suportar o argumento do tcnico?
13.6.3) Um administrador de uma universidade diz que o tempo mdio que os es-
tudantes a tempo inteiro passam fora das aulas de 337 horas por ms. O tempo
mdio para uma amostra aleatria de 51 estudantes a tempo inteiro de 332 horas
e o desvio padro desta amostra de 10 horas. Para = 0, 01, o administrador
estava correcto?
86
Bibliograa
[1] Fonte principal: S, Carla (1997) Sebentas de Mtodos Quantitativos III, Licen-
ciatura em Economia, Universidade do Minho.
[2] Evans, M., Nicholas Hastings e Brian Peacock (2000) Statistical Distributions. 3
a
Ed. (Wiley series in probability and statistics . probability and statistics section)
A Wiley-Interscience publication. USA.
[3] Fonseca, Jaime R. S. (1992) Introduo Estatstica Matemtica Aplicaes.
Vol. I, Luso Livro, Lda..
[4] Gmurman, V. E. (1983) Teoria das probabilidades e estatstica matemtica. Ed-
itora MIR, Moscou.
[5] Murteira, Bento J. F. (1979) Probabilidades e Estatstica Vol. I, McGraw-Hill
de Portugal, Lda.
87