Академический Документы
Профессиональный Документы
Культура Документы
Frederico Caeiro
2009/10
Observao:
Estas folhas servem de apoio s aulas de Probabilidades e Estatstica. Para uma melhor compreen-
so dos assuntos abordados, aconselha-se a leitura de alguns dos livros indicados nas referncias
bibliogrficas.
Contedo
2 Variveis aleatrias 9
2.1 Variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Funo de distribuio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Classificao das variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Outros parmetros relevantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 Funes de uma varivel aleatria . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Vectores aleatrios 17
3.1 Par aleatrio discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Par aleatrio contnuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Momentos de vectores aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Principais Distribuies 23
4.1 Distribuies discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1.1 Distribuio Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1.2 Distribuio de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.3 Distribuio Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.1.4 Distribuio Geomtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.5 Distribuio Hipergeomtrica . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.6 Distribuio de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2 Distribuies Contnuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.1 Distribuio Uniforme Contnua . . . . . . . . . . . . . . . . . . . . . . . 31
4.2.2 Distribuio Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2.3 Distribuio Gama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.4 Distribuio Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2.5 Distribuio do Qui Quadrado . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.6 Distribuio t de Student . . . . . . . . . . . . . . . . . . . . . . . . . . 37
i
6 Estimao Pontual 41
6.1 Alguns conceitos importantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
6.2 Propriedades dos estimadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.3 Mtodo dos Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.4 Mtodo da mxima verosimilhana . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.5 Distribuies por Amostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
6.5.1 Distribuio por amostragem da mdia amostral, X . . . . . . . . . . . . 47
6.5.2 Distribuio por amostragem da diferena de mdias amostrais, X 1 X 2 49
6.5.3 Distribuio por amostragem da varincia amostral, S 2 . . . . . . . . . . 49
6.5.4 Distribuio por amostragem da proporo, P . . . . . . . . . . . . . . . 49
8 Teste de Hipteses 63
8.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
8.2 Teste de Hipteses para a mdia da populao . . . . . . . . . . . . . . . . . . . 65
8.2.1 Teste bilateral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2.2 Teste unilateral direito . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
8.2.3 Teste unilateral esquerdo . . . . . . . . . . . . . . . . . . . . . . . . . . 68
8.3 Teste de Hipteses para a varincia, 2 , de uma populao Normal . . . . . . . . 69
8.4 Teste de Hipteses para a proporo p de uma populao . . . . . . . . . . . . . 70
8.5 Teste das sequncias ascendentes e descendentes . . . . . . . . . . . . . . . . . 71
8.6 Teste de ajustamento do Qui Quadrado . . . . . . . . . . . . . . . . . . . . . . 72
9 Regresso Linear 77
9.1 Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
9.2 Estimadores dos Mnimos Quadrados de 0 e 1 . . . . . . . . . . . . . . . . . . 78
9.3 Estimao de 2 e Qualidade do Ajuste . . . . . . . . . . . . . . . . . . . . . . 79
9.4 Propriedades dos estimadores dos mnimos quadrados . . . . . . . . . . . . . . . 79
9.4.1 Distribuio por amostragem de 2 . . . . . . . . . . . . . . . . . . . . . 79
9.4.2 Distribuio por amostragem de 0 e 1 . . . . . . . . . . . . . . . . . . 80
9.5 Inferncia sobre os parmetros do Modelo de Regresso . . . . . . . . . . . . . . 81
9.5.1 Intervalo de Confiana e Teste de Hipteses para 1 . . . . . . . . . . . 81
9.5.2 Intervalo de Confiana e Teste de Hipteses para 0 . . . . . . . . . . . 82
9.5.3 Intervalo de Confiana e Teste de Hipteses para 2 . . . . . . . . . . . 83
9.6 Estimao do valor esperado de Y para uma observao x0 da varivel controlada 84
9.7 Previso do valor da varivel resposta Y para um novo valor x0 da varivel controlada 84
10 Exerccios 85
10.1 Introduo Teoria da Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . 85
10.2 Variveis aleatrias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
10.3 Vectores Aleatrios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
10.4 Principais distribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
10.5 Teorema Limite Central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
10.6 Estimao Pontual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
10.7 Estimao por Intervalo de Confiana . . . . . . . . . . . . . . . . . . . . . . . 104
10.8 Teste de Hipteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
10.9 Regresso Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
11 Tabelas 111
Captulo 1
Definio 1.1 (Experincia aleatria). Uma experincia aleatria uma experincia cujo re-
sultado desconhecido (antes da sua realizao), apesar de se conhecerem todos os possveis
resultados.
Observao: Diz-se que o espao de resultados, , discreto se tem um nmero finito ou infinito
numervel de elementos. Se contm um intervalo (finito ou infinito) de nmeros reais, ento
o espao de resultados contnuo.
E1 : = {Cara, Coroa};
E2 : = {1, 2, 3, 4, 5, 6};
E3 : = R+ .
1
2 CAPTULO 1. INTRODUO TEORIA DA PROBABILIDADE
Exemplo 1.5 (Espao de resultados). Na experincia aleatria que consiste em lanar um dado,
numerado de 1 a 6, e observar a face voltada para cima, = {1, 2, 3, 4, 5, 6}. Se forem lanados
dois dados, o espao de resultados ,
= {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), . . . , (6, 5), (6, 6)},
Observao: Podemos aplicar as operaes usuais sobre conjuntos de modo a obter outros
acontecimentos de interesse. As operaes mais usuais so:
1. Distributiva: A (B C) = (A B) (A C) e A (B C) = (A B) (A C);
2. Leis de De Morgan: A B = A B e A B = A B.
1.2 Probabilidade
Em muitas experincia aleatrias estamos interessados em medir a possibilidade de ocorrer um
determinado acontecimento ocorrer. A probabilidade permite-nos quantificar essa possibilidade.
NA no de resultados favorveis a A
P (A) = = .
N no de resultados possveis
Exemplo 1.10. A probabilidade de sair face mpar, num lanamento de um dado equilibrado
3
P (Sair face mpar) = 6 = 21 .
2. P () = 1;
1. P () = 0;
3. P (A) = 1 P (A);
5. P (A B) = P (A B) = P (A) P (A B);
Demonstrao.
1 = P () = P (A A) = P (A) + P (A),
4. Pelo 1o axioma, para qualquer acontecimento A, P (A) 0. Logo, basta apenas demonstrar
que P (A) 1. Como A , resulta que P (A) P () = 1.
6. Como A B = (A B) (B A) (A B) e (A B), (B A) e (A B) so
acontecimentos disjuntos dois a dois, podemos utilizar o resultado do 3o axioma, obtendo:
P (A B) = P (A B) + P (B A) + P (A B) =
= P (A) P (A B) + P (B) P (A B) + P (A B) =
= P (A) + P (B) P (A B).
Observao: O ltimo resultado da Proposio 1.13 pode ser generalizado para a unio de n
acontecimentos (n 2). Assim, dados os acontecimentos Ai , i = 1, . . . , n,
n
P (Ai Aj Ak ). . .+(1)n1 P (ni=1 Ai ) ;
X X X
P (ni=1 Ai ) = P (Ai ) P (Ai Aj )+
i=1 i6=j i6=j6=k
1.3. CLCULO COMBINATRIO 5
Observaes:
Exemplo 1.16. Uma empresa farmacutica realizou um ensaio clnico para comparar a eficcia de
um novo medicamento (medicamento experimental). Escolheram-se ao acaso 200 doentes com a
doena que se pretende curar. Metade desses doentes foram tratados com o novo medicamento e
os restantes com um medicamento convencional. Ao fim de 5 dias, os resultados so os seguintes:
P (EM )
Observao: A soluo da pergunta 2, do exemplo anterior, igual a P (M ) .
P (A B) = P (A |B ) P (B) .
Observao: Nalguns casos, a probabilidade condicional P (A|B) pode ser igual a P (A), ou seja,
o conhecimento da ocorrncia de B no afecta a probabilidade de A ocorrer.
P (A B) = P (A) P (B) .
1.4. PROBABILIDADE CONDICIONAL E INDEPENDNCIA 7
Definio 1.20 (Partio do espao de resultados). Dizemos que {E1 , . . . , En } uma partio
do espao de resultados quando
Ei Ej = (i 6= j) e ni=1 Ei = .
Teorema 1.21 (Teorema da Probabilidade Total). Seja {E1 , . . . , En } uma partio do espao
de resultados , com P (Ei ) > 0, i. Dado um qualquer acontecimento A, tem-se,
Teorema 1.22 (Teorema de Bayes). Seja {E1 , . . . , En } uma partio do espao de resultados
, com P (Ei ) > 0, i. Dado um qualquer acontecimento A, com P (A) > 0, tem-se
P (A |Ei ) P (Ei )
P (Ei |A ) = P
n .
P (A |Ei ) P (Ei )
i=1
Exemplo 1.23 (Teste de P.E. D - 2007/08). Diga, justificando, se a seguinte afirmao ver-
dadeira ou falsa:
Trs mquinas A, B e C produzem botes, respectivamente, 15%, 25% e 60% da produo total.
As percentagens de botes defeituosos fabricados por estas mquinas so respectivamente 5%, 7%
e 4%. Se ao acaso, da produo total de botes, for encontrado um defeituoso, a probabilidade
de ele ter sido produzido pela mquina B de cerca de 36%.
Resoluo:
Sejam A, B, C e D os seguintes acontecimentos:
A - O Boto produzido pela mquina A;
B - O Boto produzido pela mquina B;
C - O Boto produzido pela mquina C;
D - O Boto tem defeito;
De acordo com o enunciado, temos as seguintes probabilidades: P (A) = 0.15, P (B) = 0.25,
P (C) = 0.6, P (D|A) = 0.05, P (D|B) = 0.07 e P (D|C) = 0.04.
8 CAPTULO 1. INTRODUO TEORIA DA PROBABILIDADE
Logo a afirmao est correcta, isto , a probabilidade de um boto defeituoso ter sido produzido
pela mquina B de cerca de 36%.
Captulo 2
Variveis aleatrias
Definio 2.1 (Varivel aleatria). Uma varivel aleatria (v.a.), X : R, uma funo real
e finita, tal que a imagem inversa de ] ; x] um acontecimento, isto , Ax = X 1 (; x] =
{ : X () x} com x R um acontecimento.
Exemplo 2.2 (Varivel aleatria). Considere a experincia aleatria que consiste no lanamento
de 2 moedas equilibradas, e registo da face voltada para cima. O espao de resultados
Repare que
, x<0
{(Co, Co)} 0 x<1
Ax = X 1 ](; x]) =
{(Co, Co), (Ca, Co), (Co, Ca)} 1 x < 2
x2
9
10 CAPTULO 2. VARIVEIS ALEATRIAS
Exemplo 2.4. Considere novamente o Exemplo 2.2. A funo de distribuio desta v.a. :
0, x<0
1, 0 x < 1
FX (x) = P (X x) = 4
3
4, 1 x < 2
1, x2
Observao: Como FX (x) = P (X x), conclui-se que a funo de distribuio existe sem-
pre. Quando no existir mais do que uma v.a., pode-se representar a funo de distribuio
simplesmente por F .
P (X = x) = P (X x) P (X < x) = F (x) F (x ), x R,
D = {a R : P (X = a) > 0} . (2.1)
Definio 2.8 (Varivel aleatria discreta). Uma v.a. X diz-se do tipo discreto ou simples-
mente discreta se o conjunto D quanto muito numervel, e se P (X D) = 1.
Definio 2.9 (Funo de probabilidade). Seja X uma v.a. discreta. Chama-se funo de
probabilidade (f.p.), ou funo massa de probabilidade, de X funo definida pelo conjunto dos
valores de D e pelas respectivas probabilidades, isto , por (xi , pi ) onde xi D e pi = P (X = xi ).
Uma representao usual para a funo de probabilidade da v.a. X, :
(
x1 x2 ... xi ...
X=
P (X = x1 ) P (X = x2 ) . . . P (X = xi ) . . .
1. P (X = xi ) = f (xi ) = pi 0;
P
2. i=1 pi = 1.
Definio 2.11 (Varivel aleatria contnua). Uma v.a. X diz-se do tipo contnuo ou simples-
mente contnua se D = e se existe uma funo no negativa, f , tal que para I R,
Z
P (X I) = f (x)dx.
I
1. f (x) 0, x R;
R +
2. f (x) dx = 1.
R
Observao: Como I f (x)dx um integral de uma funo no negativa e sempre convergente,
ento a P (X I), corresponde ao valor da rea entre o eixo das abcissas e o grfico da funo
f no intervalo I considerado. Consequentemente P (X = x) = 0, x R e
Observao: Por definio, F 0 (x) = f (x), nos pontos onde existe derivada. Se no existir
derivada, f (x) = 0.
2.4 Momentos
Qualquer varivel aleatria possui algumas caractersticas numricas importantes. As mais conhe-
cidas so o valor mdio e a varincia. Nesta seco vamos estudar outras caractersticas mais
gerais: os Momentos.
Definio 2.12 (Valor mdio). O valor mdio, valor esperado ou simplesmente mdia da v.a.
X dado por,
P
xi P (X = xi ) se X uma v.a. discreta;
i=1
= E(X) = +
R
xf (x)dx se X uma v.a. contnua;
Definio 2.13 (Valor mdio de uma funo de uma varivel aleatria). Seja X uma v.a. e
g uma funo real de varivel real contnua com quanto muito um conjunto numervel de pontos
de descontinuidade. Ento o valor mdio de Y = g(X) dado por:
P
g(xi )P (X = xi ) se X uma v.a. discreta;
i=1
E(g(X)) = +
R
g(x)f (x)dx se X uma v.a. contnua;
Exemplo 2.14. Considere a varivel aleatria introduzida no Exemplo 2.2. Os valores mdios de
X e g(X) = X 2 , so respectivamente:
1 1 1
E(X) = 0 4 + 1 2 +2 4 = 1,
E(g(X)) = E(X ) = 02 2 1
4
2
+1 1
2 + 22 1
4 = 32 .
2.4. MOMENTOS 13
Definio 2.15 (Momentos de ordem k). Seja X uma varivel aleatria. Definem-se momentos
de ordem k em torno da origem por:
mk = E(X k ),
k = E((X )k ),
2 = V (X) = E((X )2 ),
Proposio 2.17. Se X uma v.a., para a qual existe varincia, V (X) = E X 2 E 2 (X).
Propriedades da Varincia:
Nota: A varincia tambm podia ser calculada atravs do resultado da Proposio 2.17.
14 CAPTULO 2. VARIVEIS ALEATRIAS
Teorema 2.19 (Desigualdade de Chebychev). Se X uma v.a. para a qual existe varincia
2 e c > 0 uma constante real positiva, ento
1 1
P (|X | c) P (|X | < c) 1 .
c2 c2
F (p ) = p, 0 < p < 1.
Se X uma v.a. discreta, a equao F (p ) = p pode no ter soluo exacta. Neste caso
considera-se p = min{x : F (x) p}.
Definio 2.26 (Moda). A Moda, representada por mo, o valor que maximiza a funo de
probabilidade ou a funo densidade probabilidade, desde que seja nico.
2.6. FUNES DE UMA VARIVEL ALEATRIA 15
y+1
FY (y) = P (Y y) = P (2X 1 y) = P (X 2 ) = FX ( y+1
2 )=
y+1
0, 2 0
y+1 4 y+1 3 y+1
= 5 2 4 2 , 0< 2 <1
y+1
1, 1
2
0, y 1
y+1 4 y+1 3
= 5 2 4 2 , 1 < y < 1
1, y1
A procedimento, acima indicado, vlido quer X seja uma v.a. contnua ou uma v.a. discreta.
Contudo no caso de X ser uma v.a. discreta, Y = g(X) tambm uma v.a. discreta. Nesta
situao podemos tambm conhecer de distribuio de Y a partir da sua funo de probabilidade.
16 CAPTULO 2. VARIVEIS ALEATRIAS
Assim, seja Dx o suporte de X, isto , o conjunto dos valores de X com probabilidade positiva.
Ento,
P (Y = y) = P (g(X) = y) = P (X Ay ),
Exemplo 2.28. Considere novamente a varivel aleatria introduzida no Exemplo 2.2 e a nova
varivel aleatria Y = (X 1)2 . Sendo X uma v.a. discreta, conclumos que Y tambm uma
v.a. discreta. Como X tem como suporte os valores 0, 1,e 2, o suporte de Y o conjunto dos
valores 0 e 1. Resulta que
P (Y = 0) = P ((X 1)2 = 0) = P (X = 1) = 21 ,
P (Y = 1) = P ((X 1)2 = 1) = P (X 1 = 1 X 1 = 1) =
1
= P (X = 0) + P (X = 2) = 4 + 41 .
Vectores aleatrios
Definio 3.1 (Funo de distribuio conjunta). Seja (X, Y ) um par aleatrio. A funo de
de distribuio de (X, Y ) :
Definio 3.2 (Par aleatrio discreto). Diz-se que (X, Y ) um par aleatrio discreto se e s
se X e Y so variveis aleatrias discretas.
Definio 3.3 (Funo de probabilidade conjunta). Seja (X, Y ) um par aleatrio discreto
tomando valores no conjunto D = {(xi , yj ) R2 : P (X = xi , Y = yj ) > 0}. Chamamos funo
de probabilidade conjunta (f.p.c.) de (X, Y ) funo:
pij = P (X = xi , Y = yj ), i = 1, 2, . . . , j = 1, 2, . . .
1. 0 pij 1, (xi , yj ) D;
XX
2. pij = 1
i j
17
18 CAPTULO 3. VECTORES ALEATRIOS
X\Y y1 y2 ... yn
x1 p11 p12 ... p1n p1
x2 p21 p22 ... p2n p2
.. .. .. .. .. ..
. . . . . .
xm pm1 pm2 ... pmn pm
p1 p2 ... pm 1
Definio 3.5 (Funo de probabilidade condicional). Seja (X, Y ) um par aleatrio discreto.
Define-se probabilidade condicional de X dado Y = yj como,
P (X = xi , Y = yj ) pij
P (X = xi |Y = yj ) = = , se P (Y = yj ) > 0,
P (Y = yj ) pj
e probabilidade condicional de Y dado X = xi como
P (X = xi , Y = yj ) pij
P (Y = Yj |X = Xi ) = = , se P (X = xi ) > 0.
P (X = xi ) pi
Exemplo 3.7. Seja (X, Y ) um par aleatrio discreto com a seguinte f.p.c.:
X \ Y 0 1 2
0 1/4 1/8 0 3/8
1 1/8 1/8 1/8 3/8
2 0 0 1/4 1/4
3/8 1/4 3/8
Definio 3.8 (Par aleatrio contnuo). Um par aleatrio (X, Y ) diz-se contnuo se existe uma
funo no negativa fX,Y tal que, tal que, para qualquer regio I R2 ,
Z Z
P ((X, Y ) I) = fX,Y (u, v)dudv.
I
Definio 3.10 (Funo densidade condicional). Em todos os pontos (x, y) onde fX,Y
contnua, fY (y) > 0 e contnua, a funo densidade condicional de X, dado Y = y, existe e
calcula-se como:
fX,Y (x, y)
fX|Y (x|y) = .
fY (y)
De modo anlogo, em todos os pontos (x, y) onde fX,Y contnua, fX (x) > 0 e contnua, a
funo densidade condicional de Y , dado X = x, existe e calcula-se como:
fX,Y (x, y)
fY |X (y|x) = .
fX (x)
Definio 3.11 (Independncia entre variveis aleatrias contnuas). Seja (X, Y ) um par
aleatrio contnuo. As variveis X e Y dizem-se independentes se e s se
Exemplo 3.12. Os tempos de vida, em centenas de horas, das duas componentes principais de
um sistema de controlo so v.a.s (X, Y ) com funo densidade conjunta
(
cx2 y 0 < x < 3, 0 < y < 2
fX,Y (x, y) =
0 outros valores de (x, y) R2
(b) Qual a probabilidade de cada uma das componentes durar mais de 100 horas?
Z 2Z 3
1 13
P (X > 1, Y > 1) = x2 y dxdy =
1 1 18 18
Proposio 3.15. Caso exista a covarincia entre X e Y , esta pode ser calculada atravs da
frmula:
2. V (X Y ) = V (X) + V (Y ) 2 Cov(X, Y ).
2. Cov(X, X) = V (X);
Cov (X, Y )
(X, Y ) = p .
V (X) V (Y )
1. 1 (X, Y ) 1;
Principais Distribuies
Definio 4.1 (Distribuio Uniforme Discreta). Dizemos que a varivel aleatria X segue uma
distribuio Uniforme Discreta de parmetro n e escrevemos X U nif (n), ou abreviadamente,
X U (n), se a funo de probabilidade de X dada por:
(
1 2 ... n 1
X 1 1 ou P (X = x) = , x = 1, . . . , n.
n n . . . n1 n
Proposio 4.2 (Valor mdio e Varincia). Considere a v.a. X U nif (n). Ento,
n+1 n2 1
E(X) = e V (X) = .
2 12
Demonstrao. 1
n n
X 1 1X 1 n(n + 1) n+1
E(X) = x = x= = .
x=1
n n x=1 n 2 2
Para calcular a varincia, mais fcil utilizar o resultado V (X) = E(X 2 ) E 2 (X). Assim,
n n
2
X 1X 21 1 n(n + 1)(2n + 1) (n + 1)(2n + 1)
E(X ) = x = x2 = = .
x=1
n n x=1
n 6 6
2
(n+1)(2n+1) n+1 n2 1
Logo V (X) = 6 2 = 12 .
1 n(n+1) n(n+1)(2n+1)
Utilizam-se aqui os resultados, 1 + 2 + 3 + . . . + n = 2
e 12 + 22 + 32 + . . . + n2 = 6
, n N,
que se podem confirmar por Induo Matemtica.
23
24 CAPTULO 4. PRINCIPAIS DISTRIBUIES
Definio 4.3 (Prova de Bernoulli). Trata-se de um experincia aleatria com apenas dois
resultados possveis (que se costumam designar por Sucesso ou Insucesso).
Definio 4.4 (Distribuio de Bernoulli). sempre possvel definir uma varivel aleatria X
que toma o valor 1 se o resultado da experincia Sucesso e 0 se Insucesso. Denotando
p = P (Sucesso) > 0, ento a funo de probabilidade de X dada por:
(
0 1
X ou P (X = x) = px (1 p)1x , x = 0, 1, 0 < p < 1.
1p p
Definio 4.6 (Distribuio Binomial). Considere-se uma sucesso de provas de Bernoulli in-
dependentes, onde em cada prova a probabilidade de sucesso, p, constante. A v.a. X=
nmero de sucessos em n provas de Bernoulli segue uma distribuio Binomial de parmetros
n e p, e escrevemos X Bin(n, p). A funo de probabilidade :
!
n
P (X = x) = px (1 p)nx , x = 0, 1, . . . , n, 0 < p < 1.
x
0.5
0.5
0.4
0.4
0.4
0.3
0.3
0.3
P(X=k)
P(X=k)
P(X=k)
0.2
0.2
0.2
0.1
0.1
0.1
0.0
0.0
0.0
0 1 2 3 4 0 1 2 3 4 0 1 2 3 4
x x x
Figura 4.1: Grficos da funo de probabilidade de uma v.a. Bin(4, p), para alguns valores de p.
4.1. DISTRIBUIES DISCRETAS 25
Proposio 4.7. Seja X uma varivel aleatria com distribuio Bin(n, p). Ento a nova v.a.
Y = n X tem distribuio Bin(n, 1 p).
Proposio 4.8 (Valor mdio e Varincia). Considere a v.a. X Bin(n, p). Ento,
Exemplo 4.9 (Exame de P.E. D - 2007/08). Num concurso de televiso o apresentador prope ao
concorrente o seguinte jogo: atiram-se ao ar 3 moedas, em simultneo, e se todos os lanamentos
resultarem em caras o apresentador d 10 e ao concorrente; Se todos os lanamentos resultarem
em coroas o apresentador d igualmente ao concorrente 10 e. Mas se os lanamentos resultarem
em 2 caras e 1 coroa ou em 2 coroas e 1 cara, o concorrente tem de dar ao apresentador 5 e.
(a) Represente X a quantidade de dinheiro ganha pelo concorrente. Determine a sua funo
de probabilidade.
(b) Baseado no valor esperado de X, diga se o concorrente deve aceitar jogar este jogo.
Resoluo:
(a) Considere a v.a. Y: nmero de caras obtidas em 3 lanamentos de uma moeda (equili-
brada). Ento como em cada lanamento o resultado cara (sucesso) ou coroa (insucesso)
e os resultados dos lanamentos so mutuamente independentes, Y Bin(3, 1/2).
Como P (X = 5) = P (Y = 1) + P (Y = 2) = 3/4 e P (X = 10) = P (Y = 0) + P (Y =
3) = 1/4, resulta a seguinte funo de probabilidade:
5 10
X
3/4 1/4
Observao: O nome desta distribuio deve-se ao facto da sucesso das probabilidades ser uma
progresso geomtrica de razo 1 p.
G(0.25) G(0.5)
0.5
0.5
0.4
0.4
0.3
0.3
P(X=k)
P(X=k)
0.2
0.2
0.1
0.1
0.0
0.0
0 5 10 15 20 0 5 10 15 20
x x
Figura 4.2: Grficos da funo de probabilidade de uma v.a. G(p), para alguns valores de p.
3. S 00 (r) = k(k 1)rk2 = 2
|r| < 1.
P
(1r)3
,
k=2
Assim,
x p(1 p)x1 = p S 0 (1 p) = p p12 = p1 .
X
E(X) =
x=1
Para se conseguir calcular a varincia, de um modo mais fcil, usa-se mais uma vez o resultado
V (X) = E(X 2 ) E 2 (X). Tem-se,
X
X
E(X 2 ) = x2 p(1 p)x1 = x(x 1 + 1) p(1 p)x1 =
x=1 x=1
X
X
x1
= x(x 1) p(1 p) + x p(1 p)x1 =
x=1 x=1
x(x 1) (1 p)x2 + E(X) = p(1 p)S 00 (1 p) + E(X) =
X
= p(1 p)
x=2
2(1p)+p 2p
= p(1 p) p23 + 1
p = p2
= p2
Ento,
2p 1 1p
V (X) = p2
p2
= p2
.
de elementos com a caracterstica, entre os seleccionados sem reposio. Esta v.a. X tem uma
funo de probabilidade,
M N M
x nx
P (X = x) = N
, max(0, M + n N ) x min(M, n),
n
e diz-se ter distribuio Hipergeomtrica de parmetros (N, M, n) (pode ser escrito abreviada-
mente X H(N, M, n)).
Proposio 4.16 (Valor mdio e Varincia). Seja a v.a. X H(N, M, n). Ento:
E(X) = n M
N e M
V (X) = n N 2 (N 1)
(N M )(N n).
Exemplo 4.17. Num aqurio existem 9 peixes, dos quais 5 esto saudveis (S) e os restantes 4
esto doentes (D). Considere-se a experincia aleatria: extraco ao acaso e sem reposio de
3 peixes e registo do seu estado de sade. Associada a esta experincia, considere-se a v.a. X -
nmero de peixes saudveis na amostra extrada de 3 peixes. Quantos peixes saudveis esperamos
encontrar em cada extraco?
Resposta: Como X H(9, 5, 3), o nmero de peixes saudveis, que esperamos encontrar em
cada extraco de 3 peixes, E(X) = 5/3.
n
Seja X uma v.a. tal que X H(N, M, n). Ento, caso N 0.1, isto , caso
o tamanho da amostra seja muito pequeno em relao ao tamanho da populao,
podemos aproximar a distribuio de X pela distribuio Bin(n, p), com p = MN,
ou seja,
!
(M )(N M ) n
P (X = x) = x Nnx (M/N )x (1 M/N )nx .
(n) x
4.1. DISTRIBUIES DISCRETAS 29
Definio 4.18 (Processo de Poisson). Suponha que estamos interessados em estudar a varivel
aleatria X que conta o nmero de ocorrncias de um acontecimento num dado intervalo de
tempo2 de durao t (por exemplo, o nmero de acidentes rodovirios ocorridos num dia ou o
nmero de clientes que entram numa loja durante 1 hora). Temos um processo de Poisson de
parmetro > 0, quando se verificam as seguintes condies:
Se n ,
!
n x
nx
e x
P (X = x) = lim n 1 n = x = 0, 1, . . . , n.
n x x!
Definio 4.19 (Distribuio de Poisson). Dizemos que a varivel aleatria X segue uma
distribuio de Poisson de parmetro , e escrevemos X P (), se a funo de probabilidade
de X :
e x
P (X = x) = , x = 0, 1, 2, . . . , > 0.
x!
P(2) P(10)
0.00 0.05 0.10 0.15 0.20 0.25 0.30
P(X=k)
0 5 10 15 20 0 5 10 15 20
x x
Figura 4.3: Funo de probabilidade de uma v.a. P (), para alguns valores de .
Proposio 4.20 (Valor mdio e Varincia). Seja X uma v.a. com distribuio P (). Ento,
E(X) = e V (X) = .
Seja X uma v.a. tal que X Bin(n, p). possvel de verificar que
!
n x x
lim p (1 p)(nx) = e , x = 0, 1, 2, . . .
n
np
x x!
Definio 4.22 (Distribuio Uniforme Contnua). Dizemos que a varivel aleatria X segue
uma distribuio Uniforme (contnua) no intervalo [a, b], < a < b < +, e escrevemos
X U nif (a, b), ou X U (a, b), se a funo densidade probabilidade de X dada por:
(
1
ba , axb
f (x) =
0, c.c.
f (x)
6
F (x)
6
1
ba
1
-
-
a b x a b x
Figura 4.4: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. U (a, b).
Proposio 4.23 (Valor mdio e Varincia). Seja a v.a. X U (a, b). Ento:
a+b (b a)2
E(X) = e V (X) = .
2 12
Demonstrao.
" #a
x2 b2 a2
Z + Z b
x a+b
E(X) = xf (x)dx = dx = = =
a ba 2(b a) b
2(b a) 2
Como,
" #a
x2 x3 b2 + ab + a2
Z + Z b
2 2
E(X ) = x f (x)dx = dx = = ,
a ba 3(b a) b
3
32 CAPTULO 4. PRINCIPAIS DISTRIBUIES
Comeamos por introduzir a funo Gama, presente em muitos livros de Anlise Matemtica.
1. ( + 1) = ();
2. (n) = (n 1)!, nN
3. (1/2) =
R 1 x
4. 0 x e dx = ()
.
Definio 4.25 (Distribuio Exponencial). Uma varivel aleatria X diz-se seguir uma dis-
tribuio Exponencial de parmetro , e escrevemos X Exp(), se a sua funo densidade
probabilidade for dada por:
(
0, x 0;
f (x) = x > 0.
e , x > 0;
1.0
1.0
=1 =1
=2 =2
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0 1 2 3 4 0 1 2 3 4
x x
Figura 4.5: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. Exp().
Exemplo 4.28. Admita que o nmero de avarias de uma fotocopiadora um processo de Poisson
com taxa =5/ano. Calcule a probabilidade do tempo entre avarias consecutivas ser inferior a
um ms.
Resoluo: O tempo X entre avarias consecutivas tem distribuio Exp(5). Assim, a probabili-
dade pedida :
P (X x + y|X y) = P (X x).
34 CAPTULO 4. PRINCIPAIS DISTRIBUIES
Definio 4.30 (Distribuio Gama). Uma varivel aleatria X tem distribuio Gama de
parmetros > 0 e > 0, e escrevemos X G(, ), se a sua funo densidade probabilidade
for dada por:
(
0, x 0;
f (x) = 1 1
() x ex , x > 0;
Exemplo 4.33. Admita que o nmero de avarias de uma fotocopiadora um processo de Poisson
com taxa =5/ano. O tempo Y que decorre at segunda avaria uma varivel aleatria
G(2, 5). A probabilidade da segunda avaria ocorrer aps 6 meses
1
(5/2)i
P (Y > 1/2) = 1 P (Y 1/2) = 1 1 e5/2 = e5/2
X
7
2 = 0.2873
i=0
i!
4.2. DISTRIBUIES CONTNUAS 35
Definio 4.34 (Distribuio Normal). Uma varivel aleatria X diz-se seguir uma distribuio
Normal de parmetros e 2 , e escrevemos X N (, 2 ), se a sua funo densidade probabili-
dade for dada por:
1 (x)2
f (x) = e 22 , x R, R, > 0.
2
A funo de distribuio dada pelo integral:
Z x (t)2
1
F (x) = e 22 dt,
2
para o qual no existe soluo analtica. assim necessrio recorrer a mtodos numricos para
obter os valores desta funo.
1.0
=0, =1 =0, =1
=0, =1.5 =0, =1.5
0.8
0.3
0.6
0.2
0.4
0.1
0.2
0.0
0.0
4 2 0 2 4 4 2 0 2 4
x x
Figura 4.6: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. N (, ).
Observaes:
E(X) = e V (X) = 2 .
Y = aX + b N (a + b, a2 2 ).
ai 6= 0, temos que:
Y = a1 X1 + . . . + an Xn N a1 1 + . . . + an n , a21 12 + . . . + a2n n2 .
| {z } | {z }
=Y 2
=Y
Note que:
n
X n
X n
X
Y = E(Y ) = E ai Xi = ai E (Xi ) = a i i
i=1 i=1 i=1
Xn Xn Xn
Y2 a2i V (Xi ) = a2i i2
= V (Y ) = V ai Xi =
i=1 i=1 i=1
Definio 4.39 (Distribuio do Qui Quadrado). Uma varivel aleatria X diz-se seguir uma
distribuio Qui-quadrado com n graus de liberdade, e escrevemos X 2n , se a sua funo
densidade probabilidade for dada por:
1
(n/2)2n/2
ex/2 xn/21 , x>0
f (x) = ,
0, x0
1.0
n=1 n=1
n=3 n=3
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0 1 2 3 4 0 1 2 3 4
x x
Figura 4.7: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. 2n .
4.2. DISTRIBUIES CONTNUAS 37
Xi2 21 ,
Definio 4.42 (Distribuio t de Student). Uma v.a. T diz-se ter distribuio t de Student
com n graus de liberdade, e escreve-se T tn , se a sua funo densidade probabilidade dada
por:
n+1
2 (n+1)
t2
f (t) = n
1+ n
2
, t R.
2 n
1.0
n=1 n=1
n=3 n=3
0.8
0.3
0.6
0.2
0.4
0.1
0.2
0.0
0.0
4 2 0 2 4 4 2 0 2 4
x x
Figura 4.8: Funo densidade (esquerda) e funo de distribuio (direita) de uma v.a. tn .
Apresentamos neste captulo, um dos mais importantes resultados da teoria das probabilidades e
da estatstica, o Teorema Limite Central. Este teorema d-nos a distribuio aproximada da soma
de n variveis aleatrias independentes e identicamente distribudas.
Teorema 5.1 (Teorema Limite Central). Seja X1 , X2 . . . , uma sucesso de variveis aleatrias
independentes e identicamente distribudas (i.i.d.), com valor mdio e varincia 2 6= 0, finitos.
Pn
Considere as variveis aleatrias Sn e Zn , definidas por Sn = i=1 Xi e,
Sn n
Zn = . (5.1)
n
Ento a distribuio de Zn converge para uma distribuio Normal reduzida, quando n +,
isto ,
Sn n a
Zn = N (0, 1).
n
Exemplo 5.2. Num estudo sobre vendas num hipermercado, concluiu-se que a procura diria de
arroz (em Kg) uma v.a. com valor mdio 40Kg e desvio-padro 5Kg. Tendo sido encomendado
14.500Kg de arroz para venda venda no prximo ano, qual a probabilidade deste stock cobrir a
procura de arroz nesse perodo? (Considere-se um ano com 364 dias).
39
40 CAPTULO 5. TEOREMA LIMITE CENTRAL
Resoluo: Seja Xi = procura de arroz no dia i, i = 1, 2, . . . , 364 e admitamos que estas v.a.s
so i.i.d.. Sabemos que:
a
X N (np, np(1 p)).
Exemplo 5.4. Considere-se a v.a. X Bin (100, 0.1). Calculemos P (X = 10) Como n =
100 30, np = 100 0.1 = 10 > 5 e n(1 p) = 100 0.9 = 90,
1010 910
P (X = 10) = P (X 10) P (X 9) 3 3 = (0) (0.33) =
= 0.5 0.3707 = 0.1293.
100 10 90
Nota: O valor exacto P (X = 10) = 10 0.1 0.9 = 0.1319.
Corolrio 5.5. Seja X uma v.a. com distribuio Poisson de parmetro . Se > 5, ento:
a
X N (, ).
Estimao Pontual
Observao: Nos mtodos estatsticos, que iremos estudar, a amostra recolhida deve ser repre-
sentativa da populao. Caso isso no acontea, podemos retirar concluses erradas. assim
conveniente escolher os elementos da amostra de forma aleatria, ou seja, trabalhar com uma
amostra aleatria.
Definio 6.3 (Amostra aleatria). Vamos admitir que cada valor observado xi a realizao
da varivel aleatria Xi , com funo de distribuio F . O vector (X1 , X2 , . . . , Xn ) constitui uma
amostra aleatria se e s se as n variveis aleatrias so independentes e tm todas a mesma
distribuio. Os valores que se obtm por concretizao da amostra aleatria so representados
por (x1 , x2 , . . . , xn ).
Definio 6.4 (Estatstica). Uma estatstica uma qualquer funo da amostra aleatria,
(X1 , X2 , . . . , Xn ), que no depende de qualquer parmetro desconhecido.
Observao: Da definio anterior, conclui-se que uma estatstica uma varivel aleatria. Logo
qualquer estatstica tem funo de distribuio. A essa funo de distribuio d-se o nome de
distribuio por amostragem da estatstica.
41
42 CAPTULO 6. ESTIMAO PONTUAL
Definio 6.6 (Estimador pontual e estimativa pontual). Seja (X1 , X2 , . . . , Xn ) uma amostra
aleatria de dimenso n duma populao com funo de distribuio F (x|), com parmetro
desconhecido . A estatstica = h(X1 , X2 , . . . , Xn ) um estimador pontual de . Depois da
amostra ter sido recolhida, o valor particular de = h(x1 , x2 , . . . , xn ), designado estimativa
pontual de .
Tabela 6.1: Alguns dos parmetros populacionais que interessam estimar e respectivos estimadores
pontuais.
E() = .
Caso o erro padro envolva parmetros desconhecidos, que possam ser estimados a partir dos
valores da amostra, a substituio destes valores estimados no erro padro produz o chamado
d .
erro padro estimado, denotado por SE
Definio 6.9 (Eficincia). Sejam 1 e 2 dois estimador pontuais, centrados para . Diz-se
que 1 mais eficiente que 2 , se e s se, SE1 SE2 .
q
ou seja, SEX = V (X) = .
n
Definio 6.11 (Limite inferior de Cramr-Rao). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria
retirada de uma populao com funo densidade f (x|) (ou funo de probabilidade P (X|)),
satisfazendo as condies de regularidade (f duas vezes diferencivel e com suporte independente
de ). Dado um estimador pontual , centrado para ,
1
V () ,
nI()
2 ln f (X|)
com I() = E 2
.
44 CAPTULO 6. ESTIMAO PONTUAL
lim V () = 0.
n
Exemplo 6.14 (Consistncia da Mdia amostral). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria
de uma populao com valor mdio e varincia 2 . Sabemos que X estimador centrado do
2
valor mdio da populao, e V (X) = n . Como ,
2
lim V () = = 0,
n n
conclumos que X consistente para .
m1 = M1
mj = E(X j ) (m1 = E(X))
m2 = M2
m3 = M3 onde
n
.. Mj = 1 P
Xij (M1 = X)
.
n
i=1
m = Mk
k
Observao: Caso alguma das k equaes no contenha qualquer informao sobre os parmet-
ros, essa equao deve ser substituda pela equao j = Mj , com j > k.
6.3. MTODO DOS MOMENTOS 45
Inconvenientes:
E(X) = X = X.
Exemplo 6.17 (Estimador dos momentos de 2 do modelo N (0, 2 )). Seja (X1 , X2 , . . . , Xn )
uma amostra aleatria, retirada de uma populao com distribuio Normal de valor mdio 0
(conhecido) e varincia 2 (desconhecida). A soluo da primeira equao :
E(X) = X 0 = X.
Contudo, como esta primeira equao no contm o parmetro que interessa estimar, devemos
considerar a segunda equao:
n X2
O estimador dos momentos de 2 , 2 =
P i
n .
i=1
Observao: Caso a populao tenha distribuio discreta, devemos substituir a funo densi-
dade pela funo de probabilidade.
geralmente mais fcil trabalhar com a funo log-verosimilhana, isto , com o logaritmo da
funo verosimilhana:
n
X
l() = ln L() = ln f (xi |).
i=1
Se L(), ou equivalentemente l(), regular (duas vezes diferencivel e com suporte inde-
pendente de ) o mximo obtido por derivao, isto , obtido atravs da resoluo de:
l() 2 l()
= 0, e < 0.
2
Nesta seco vamos estudar a distribuio por amostragem dos estimadores pontuais da Tabela
6.1.
X
Z= N (0, 1). (6.1)
/ n
X
X / n
T = =r tn1 . (6.2)
S/ n (n1)S 2 / 2
(n1)
X a
Z= N (0, 1). (6.4)
S/ n
Aqui consideramos apenas um de muitos casos possveis. Supondo que foram seleccionadas, de
forma independente, duas amostras aleatrias de dimenses n1 e n2 , respectivamente, de duas
populaes Normais independentes com varincias conhecidas dadas, respectivamente, por 12 e
22 . Sejam X 1 e X 2 as mdias das duas amostras aleatrias. Neste contexto, a distribuio por
amostragem de X 1 X 2 ainda Normal, por ser a combinao linear de variveis aleatrias
normais independentes:
(X 1 X 2 ) (1 2 )
Z= r N (0, 1).
12 22
n1 + n2
(n 1)S 2
X2 = 2n1 .
2
Admita que os elementos de determinada populao possuem uma dada caracterstica, com uma
certa probabilidade p desconhecida, independentemente uns dos outros. Suponhamos que se
selecciona uma amostra aleatria de n elementos desta populao. Se X denotar o nmero
de elementos da amostra aleatria que possuem a referida caracterstica, sabemos que X
Bin(n, p). Se o tamanho da amostra for suficientemente grande, o Teorema Limite Central
justifica que:
X np a
Z=p N (0, 1).
np(1 p)
Como p pode ser estimado pontualmente pela proporo de elementos da amostra possuem a
X
referida caracterstica, P = n, a distribuio por amostragem aproximada de P
P p a
Z=p N (0, 1).
p(1 p)/n
50 CAPTULO 6. ESTIMAO PONTUAL
X
2 conhecida Z=
/ n
N (0, 1)
Normal de mdia
X
2 desconhecida T =
S/ n
tn1
X
Pop. no-Normal X a
2 conhecida Z=
/ n
N (0, 1)
X a
de mdia e n 30 2 desconhecida Z=
S/ n
N (0, 1)
2 Populaes independentes, (X 1X
Z= q 2 )(12 )
2 2
1+ 2
n1 n2
X 1 X 2 N (1 , 12 ) e N (2 , 22 ),
P p a
P Qualquer populao e n grande Z= N (0, 1)
p(1p)/n
(n1)S 2
S2 Normal de mdia desconhecida X2 = 2
2n1
Captulo 7
Definio 7.1 (Intervalo Aleatrio). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria de uma
populao com funo de distribuio F . Considere as estatsticas
T1 (X1 , X2 , . . . , Xn ) e T2 = (X1 , X2 , . . . , Xn ),
tais que P (T1 < < T2 ) = 1 , onde ]0, 1[ no depende de . Ento ]T1 , T2 [ um
intervalo aleatrio para .
t1 = T1 (x1 , x2 , . . . , xn ) e t2 = T2 (x1 , x2 , . . . , xn ),
Observaes:
51
52 CAPTULO 7. ESTIMAO POR INTERVALO DE CONFIANA
Definio 7.3 (Varivel Pivot ou Fulcral). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, reti-
rada de uma populao com funo de distribuio F de parmetro . A funo T (X1 , X2 , . . . , Xn )
uma varivel pivot, ou fulcral, se a sua distribuio for independente de .
Caso se verifique,
Suponhamos que seleccionmos uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao Nor-
mal, de varincia 2 conhecida, com a qual pretendemos construir um intervalo de confiana
(1 ) 100% para .
X
Z= N (0, 1);
/ n
7.1. INTERVALO DE CONFIANA PARA A MDIA DA POPULAO, 53
0.4
0.3
0.2
1
0.1
0.0
z 2 0 z 2
X
z/2 < < z/2 z/2 < X < z/2
/ n n n
z/2 X < < z/2 X X z/2 < < X + z/2
n n n n
Logo,
P z/2 < Z < z/2 = P X z/2 < < X + z/2 = 1 .
n n
Exemplo 7.5. Considere a populao do peso das formigas Solenopsis, medido em dcimas de
grama, que sabemos ter distribuio Normal com mdia e varincia 2 = 22 , X N (, 22 ).
Desta populao observmos a amostra de 4 pesos, (8, 13, 9, 8.5), a qual usmos para obter uma
54 CAPTULO 7. ESTIMAO POR INTERVALO DE CONFIANA
X X
Z= = N (0, 1).
/ n 2/ 4
Seja z0.025 um valor tal que P (z0.025 < Z < z0.025 ) = 0.95, conforme a Figura 7.2 ilustra. Para
0.4
0.3
0.2
0.95
0.1
0.0
z0.025 0 z0.025
Assim,
!
X
P (1.96 < Z < 1.96) = 0.95 P 1.96 < < 1.96 = 0.95
2/ 4
P 1.96 1 < X < 1.96 1 = 0.95
P X 1.96 < < X + 1.96 = 0.95
P X 1.96 < < X + 1.96 = 0.95
i h
Logo, o intervalo aleatrio, para , com 95% de confiana X 1.96; X + 1.96 . Concretizando
este intervalo para a amostra observada, (x1 , x2 , x3 , x4 ) = (8, 13, 9, 8.5), obtemos o intervalo de
confiana a 95% para :
Observao: Vejamos agora o que sucede aumentando a confiana do intervalo para 99%. Como
Z0.005 2.58,
X
P (Z0.005 < Z < Z0.005 ) = 0.99 P 2.58 < 2/ < 2.58 = 0.99
4
P X 2.58 2/ 4 < < X + 2.58 2/ 4 = 0.99
X
T = tn1 .
S/ n
1
0.0
tn1:: 2 0 tn1:: 2
Supondo que seleccionmos uma amostra aleatria de dimenso n > 30, (X1 , X2 , . . . , Xn ), de
uma populao no-normal com mdia e varincia conhecida 2 , e com a qual pretendemos
construir um intervalo de confiana (1 ) 100% para :
X a
Escolha da estatstica pivot: Z =
/ n
N (0, 1).
Admitindo que seleccionmos uma amostra aleatria de dimenso n > 30, (X1 , X2 , . . . , Xn ), de
uma populao com distribuio no-normal, com mdia e varincia 2 , ambos desconhecidos.
Pretendemos um intervalo de confiana (1 ) 100% para . Como usamos a estatstica pivot:
X a
Z= N (0, 1),
S/ n
7.1. INTERVALO DE CONFIANA PARA A MDIA DA POPULAO, 57
a determinao do intervalo de confiana para feita de forma anloga ao caso anterior (subs-
tituindo por S).
Obtemos assim, o seguinte intervalo de confiana (aproximado) (1 ) 100% para :
i s s h
IC(1)100% () x z/2 ; x + z/2 .
n n
Exemplo 7.6 (Exame de P.E. D - 2005/06). Queremos estudar h quanto tempo residem nas
suas moradas actuais as pessoas de certa cidade na provncia. Uma amostra aleatria de 41
famlias revelou uma mdia de 35 meses de residncia e um desvio padro de 6.3 meses.
a) Qual a sua melhor estimativa do tempo mdio de residncia da populao desta cidade?
Resoluo:
a) Para estimar a mdia da populao vamos usar o estimador mdia da amostra, X. Trata-se
do estimador da mdia que possui duas propriedades importantes: centrado para e
consistente. Neste exerccio, a estimativa do tempo mdio de residncia da populao
x = 35 meses.
b) Para deduzir o intervalo de confiana, vamos admitir que (X1 , X2 . . . , Xn ) uma amostra
X
aleatria com n > 30. Vamos considerar a estatstica pivot Z = ,
S/ n
cuja distribuio foi
deduzida no captulo anterior, isto ,
X a
Z= N (0, 1).
S/ n
0.4
0.3
0.2
0.98
0.1
0.0
2.32 0 2.32
Como P (z0.01 < Z < z0.01 ) = 0.98, onde z0.01 2.32, como indicado na Figura 7.4, e
X
z0.01 < Z < z0.01 2.32 <
S/ n
< 2.32 2.32 Sn < X < 2.32 Sn
S S
X 2.32 < < X + 2.32 ,
n n
resulta que
S S
P X 2.32 < < X + 2.32 = 0.98.
n n
Vamos usar a estatstica pivot cuja distribuio por amostragem foi apresentada no captulo
(n1)S 2
anterior, isto , a estatstica pivot: X 2 = 2
2n1 ;
P (X 2 < c1 ) = c1 = F1
2 ,
2 n1 2
2 2 1
P (X > c2 ) = P (X c2 ) = 1 c2 = F2 1 ,
2 2 n1 2
onde F1
e F1
2 2 2 1 2 podem ser obtidos numa tabela de quantis da distribuio
n1 n1
Qui Quadrado.
7.2. INTERVALO DE CONFIANA PARA A VARINCIA POPULACIONAL, 2 , E PARA O DESVIO
PADRO POPULACIONAL, 59
2
0.0
0 2n1::1 2 2n1:: 2
2n1,1/2 1 2n1,/2
2n1,1/2 <X <2
2n1,/2 < 2 <
(n 1)S 2 (n 1)S 2
(n 1)S 2 2 (n 1)S 2
< < ,
2n1,/2 2n1,1/2
conclumos que
(n 1)S 2 (n 1)S 2
P 2n1,1/2 < X 2 < 2n1,/2 = P < 2 < = 1 .
2n1,/2 2n1,1/2
Observao: Como
v v
(n 1)S 2 (n 1)S 2 u (n 1)S 2 u (n 1)S 2
u u
P < 2 < 2 =P t 2 <<t 2 = 1 .
2n1,/2 n1,1/2 n1,/2 n1,1/2
v v
u (n 1)s2 u (n 1)s2
u u
IC(1)100% () t 2
; t
2
.
n1,/2 n1,1/2
60 CAPTULO 7. ESTIMAO POR INTERVALO DE CONFIANA
P p a
Z=p N (0, 1);
p(1 p)/n
P p
z/2 < Z < z/2 z/2 < p < z/2 (7.2)
p(1 p)/n
A resoluo das inequaes anteriores, em ordem
q a p, torna-se muito mais simples se
p
substituirmos p(1 p)/n, pela sua estimativa, P (1 P )/n. Se a dimenso da amostra
for elevada esta substituio no dever afectar muito a preciso do intervalo. Assim,
efectuando a substituio,
P p
z/2 < < z/2
P (1P )/n
q q
z/2 P (1 P )/n < P p < z/2 P (1 P )/n
q q
z/2 P (1 P )/n P < p < z/2 P (1 P )/n P
q q
P z/2 P (1 P )/n < p < P + z/2 P (1 P )/n
Ento,
!
P p
P z/2 <p < z/2 '
p(1 p)/n
q q
P P z/2 P (1 P )/n < p < P + z/2 P (1 P )/n ' 1
Exemplo 7.7. Num inqurito destinado a estimar a proporo p da populao que tem TV por
cabo, foram inquiridas 200 pessoas, das quais 78 afirmaram ter este servio. Temos a estimativa
pontual da proporo da populao com TV por cabo p = 0.39. Como n = 200 > 30 e
z0.05 = 1.96, o intervalo de 95% de confiana para a proporo p :
q q
0.39 1.96 0.39(1 0.39)/200 ; 0.39 + 1.96 0.39(1 0.39)/200 =]0.322 , 0.458[.
Observao: Tal como j foi referido, tambm possvel resolverqas inequaes em (7.2) em or-
p
dem a p sem a substituio de p(1 p)/n, pela sua estimativa, P (1 P )/n. Esta resoluo,
embora tenha muito mais clculos, conduz-nos inequao:
2
z/2 2
z/2
1+ p2 2P + p + P 2 < 0,
n n
Os extremos Inferior e superior do intervalo de confiana so, respectivamente:
q q
2 2 /(4n2 ) 2 2 /(4n2 )
P + z/2 /n z/2 P (1 P )/n + z/2 P + z/2 /n + z/2 P (1 P )/n + z/2
2 /n , 2 /n .
1 + z/2 1 + z/2
Teste de Hipteses
8.1 Introduo
Definio 8.1 (Hiptese Estatstica). Uma hiptese estatstica uma conjectura acerca da
distribuio de uma ou mais variveis aleatrias. Para cada hiptese que se faa, designada por
hiptese nula e denotada por H0 , h sempre outra hiptese, designada por hiptese alternativa
e denotada por H1 . Se a hiptese estatstica H0 especifica completamente a distribuio
chamada de hiptese simples. Caso contrrio chamada de hiptese composta.
Uma hiptese estatstica pode ser, ou no ser, verdadeira. A verdade ou falsidade nunca pode
ser confirmada, a menos que observssemos toda a populao, o que nalguns casos impraticvel
(quando a populao muito grande) ou at mesmo impossvel (no caso de populaes infinitas,
ou quando caracterstica em estudo leva destruio dos elementos observados).
Exemplo 8.2 (Hiptese Estatstica). Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria da popu-
lao dos pesos das formigas Solenopsis anteriormente considerada. A hiptese estatstica de que
o peso mdio desta populao toma o valor 8dg denota-se por:
H0 : = 8 vs H1 : 6= 8
A hiptese estatstica de que o peso mdio desta populao menor ou igual a 8dg denota-se
por:
63
64 CAPTULO 8. TESTE DE HIPTESES
Ao testarmos uma hiptese nula contra uma hiptese alternativa, a nossa atitude dever ser
admitir H0 como verdadeira at que os dados fornecidos pela amostra testemunhem fortemente
contra ela; nesse caso, H0 dever ser rejeitada a favor de H1 .
Definio 8.3 (Teste de Hipteses). Um teste de hipteses uma regra que nos permite
decidir se devemos, ou no, rejeitar H0 . Esta regra baseada no valor que a estatstica de teste
W assume. Assim se,
W (x1 , x2 , . . . , xn )
/ R, no se rejeita H0 .
Definio 8.4 (Erros de tipo I e de tipo II). Quando realizamos um Teste de Hipteses
podemos cometer um dos seguintes erros:
Exemplo 8.5. Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria da populao dos pesos das formigas
Solenopsis, isto , da populao X N (, 22 ). Um teste possvel para testar:
H0 : 8 vs H1 : > 8,
X8
rejeitar H0 se
2/ n
> 1.64.
8.2. TESTE DE HIPTESES PARA A MDIA DA POPULAO 65
Nota: Geralmente o software estatstico apenas apresenta o valor-p do teste. Cabe ao utilizador
tomar a deciso ao nvel de significncia . Quanto menor for o valor-p, menor a consistncia
entre os dados e H0 . Assim, se valor-p < , devemos rejeitar H0 , ao nvel de significncia .
wobs = W (x1 , x2 , . . . , xn ),
Vamos admitir que (X1 , X2 , . . . , Xn ) representa uma amostra aleatria de uma populao
Normal com varincia conhecida e que pretendemos testar
H0 : = 0 vs H1 : 6= 0 (teste bilateral)
X
J sabemos que X um estimador centrado de . Tambm j se verificou que n
N (0, 1), embora o valor mdio, , seja desconhecido. Assim, vamos considerar a seguinte
estatstica de teste:
X 0
Z= N (0, 1).
/ n sob H0
R R
1
0.0
z 2 0 z 2
Figura 8.1: Regio de rejeio para o teste bilateral para o valor mdio.
x
A regra de deciso do teste consiste em rejeitar H0 se zobs = 0
/ n
R , ou seja, se
|zobs | > z/2 .
Exemplo 8.7. Considere novamente o exemplo da populao dos pesos das formigas Solenop-
sis, isto , a populao X N (, 22 ), da qual observmos a amostra aleatria de 4 pesos
(8, 13, 9, 8.5). Com base nesta amostra vamos testar, a um nvel de significncia 5%, a hiptese
de que o peso mdio populacional igual a 9dg, ou seja vamos testar: H0 : = 9 vs H1 : 6= 9.
Exemplo 8.8 (Clculo do valor-p do teste do Exemplo 8.7). Como Zobs ' 0.63,
valor-p = 2 min P (Z < 0.63 | H0 ), P (Z > 0.63 | H0 ) = 2P (Z > 0.63 | H0 ) =
= 2(1 P (Z 0.63 | H0 )) = 2(1 (0.63)) = 0.5286.
Vamos admitir que (X1 , X2 , . . . , Xn ) representa uma amostra aleatria de uma populao
Normal com varincia conhecida e pretendemos testar
0.0
0 z
Figura 8.2: Regio de rejeio para o teste unilateral direito para o valor mdio.
anlogo ao do teste unilateral direito. Por esta razo apenas se apresentamos a seguinte tabela
resumo:
1. H0 : 2 = 02 vs H1 : 2 6= 02 (teste bilateral);
2. H0 : 2 02 vs H1 : 2 > 02 (teste unilateral direito);
3. H0 : 2 02 vs H1 : 2 < 02 (teste unilateral esquerdo).
(n 1)S 2
X2 = 2n1 .
02 sob H0
R R R R
2 1 1 1
2
0.0
0.0
0.0
0 2n1::1 2 2n1:: 2
0 2n1:: 0 2n1::1
Figura 8.3: Esquerda: Regio de rejeio para o teste bilateral. Centro: Regio de rejeio para
o teste unilateral direito. Direita: Regio de rejeio para o teste unilateral esquerdo.
2 R .
Rejeitamos H0 se Xobs
70 CAPTULO 8. TESTE DE HIPTESES
Admita que temos uma amostra aleatria de dimenso n de uma populao, em que determinada
proporo desconhecida p dos seus elementos possui certa caracterstica.
Admita que pretendemos testar uma das seguintes hipteses (nula e alternativa):
1. H0 : p = p0 vs H1 : p 6= p0 (teste bilateral);
2. H0 : p p0 vs H1 : p > p0 (teste unilateral direito);
3. H0 : p p0 vs H1 : p < p0 (teste unilateral esquerdo);
Estatstica de teste:
P p0 a
Z=p N (0, 1)
p0 (1 p0 )/n sob H0
R R R R
1 1 1
0.0
0.0
0.0
z 2 0 z 2 0 z z 0
Figura 8.4: Esquerda: Regio de rejeio para o teste bilateral. Centro: Regio de rejeio para
o teste unilateral direito. Direita: Regio de rejeio para o teste unilateral esquerdo.
A estatstica de teste :
2n1
V 3 a
Z= q N (0, 1).
16n29 sob H0
90
R = ] , z/2 [ ]z/2 , +[
Nota: O teste tambm pode ser aplicado em amostras de pequena dimenso (n < 25). Nesse caso
utiliza-se a estatstica de teste V . Para mais detalhes consulte a bibliografia aconselhada.
Exemplo 8.9 (Exame de P.E. - 2008/09). Considere a seguinte amostra, de dimenso n = 30,
do nmero de clientes atendidos por hora em certo posto de venda:
41 30 28 40 28 26 28 41 30 34 40 36 30 20 43
35 36 20 42 43 42 40 32 26 28 41 34 24 42 40
Podemos considerar a amostra aleatria? (considere um nvel de significncia de 5%)
Resposta: Pretendemos testar
A estatstica de teste
2n1
V 3
Z= q N (0, 1).
16n29 Sob H0
90
H0 : X F vs H1 : X F (8.1)
Existem vrios testes de hipteses que nos permitem testar estas hipteses. Nesta disciplina
iremos apenas abordar um dos mais conhecidos: O teste de ajustamento do Qui-Quadrado.
Trata-se de um teste que apresenta a vantagem de poder ser aplicado para qualquer distribuio,
desde que a amostra recolhida no seja muito pequena. Existem outros testes de hipteses que
permitem testar as hipteses em (8.1), como por exemplo:
pi = P (X Ai |H0 verdadeira), i = 1, 2, . . . , k.
R =]2kp1, , +[
2 R .
Rejeitamos H0 , ao nvel de significncia , sempre que Xobs
8.6. TESTE DE AJUSTAMENTO DO QUI QUADRADO 73
Observaes:
1. Caso exista algum Ei < 5, tipicamente correspondendo s classes dos extremos, essa(s)
classe(s) deve(m) ser agrupada(s) at o correspondente novo nmero esperado Ei (dado
pelas somas dos correspondentes antigos Ei0 s) ultrapassar 5. Os correspondentes Oi s devem
nesse caso ser tambm somados, diminuindo naturalmente o valor do nmero de classes k.
Pk Pk
2. Como i=1 Oi = i=1 Ei = n, a estatstica de teste X 2 igual a:
k
X Oi2
X2 = n.
i=1
Ei
Uma amostra de 200 indivduos desta populao, classificados de acordo com estes grupos san-
guneos, revelou 64 indivduos do grupo MM, 96 do grupo MN e os restantes do grupo NN.
(a) Estes dados fornecem evidncia estatstica para pr em causa o pressuposto dos geneticistas?
Resoluo:
Exemplo 8.11 (Teste de ajustamento para o modelo Poisson). Pensa-se que o nmero de
defeitos encontrados em circuitos elctricos tem distribuio Poisson. Recolheu-se uma amostra
aleatria de n = 60 circuitos e observaram-se os seguintes nmeros de defeitos:
H0 : X P (0.75) vs H0 : X P (0.75)
no de defeitos pi Ei
0 0.472 28.32
1 0.354 21.24
2 0.133 7.98
3 (ou mais) 0.041 2.46
no de defeitos Oi pi Ei
0 32 0.472 28.32
1 15 0.354 21.24
2 (ou mais) 13 0.174 10.44
100, 110, 122, 132, 99, 96, 88, 75, 45, 154, 153, 161, 142, 99, 111, 105, 133, 142, 150, 153, 121, 126, 117, 97,
105, 117, 125, 105, 94, 90, 80, 50, 55, 102, 122, 136, 75, 104, 109, 108, 134, 135, 111, 78, 89, 154
H0 : X N (, 2 ) vs H1 : X N (, 2 )
Pela regra de Sturges, o nmero de classes a considerar dado por: k 1+ log(n) log(46)
log(2) = 1+ log(2)
6.523562
L 16145
Consideramos k = 7. A amplitude de cada classe aproximadamente 7 = 7 16.6. Vamos
aproximar este valor a 20, ou seja, considerar as classes:
] ; 60] ]60; 80] ]80; 100] ]100; 120] ]120; 140] ]140; 160] ]160; +[
Devemos contar quantas observaes caiem em cada um dos intervalos anteriores, para obter
os valores de Oi , e devemos determinar os valores de Ei = n pi = 46 pi .
i Classe Oi pi Ei
1 ] ; 60] 3 0.0344 1.5824 i Classe Oi pi Ei
2 ]60; 80] 4 0.0991 4.5586 1 ] ; 80] 7 0.1335 6.141
3 ]80; 100] 9 0.2148 9.8808 2 ]80; 100] 9 0.2148 9.8808
4 ]100; 120] 12 0.2772 12.7512 3 ]100; 120] 12 0.2772 12.7512
5 ]120; 140] 10 0.223 10.258 4 ]120; 140] 10 0.223 10.258
6 ]140; 160] 7 0.1114 5.1244 5 ]140; +[ 8 0.1515 6.969
7 ]160; +[ 1 0.0401 1.8446
k sob H0
2
X (Oi Ei )2
X = 2kp1 2521 22
i=1
Ei
76 CAPTULO 8. TESTE DE HIPTESES
Regra de deciso do teste: Rejeitar H0 ao nvel de significncia 5% se x2obs R0.05 ]5.99, +[.
Como x2obs = 0.4019 no rejeitamos, ao nvel de significncia de 5% a hiptese nula de que a
distribuio da populao Normal.
Captulo 9
Regresso Linear
9.1 Introduo
A regresso uma tcnica estatstica que permite estudar a relao entre uma ou mais variveis
resposta (tambm designadas por variveis dependentes) e uma ou mais variveis explicativas
(tambm designadas por variveis independentes). Ao modelo matemtico que relaciona as
variveis d-se o nome de equao de regresso.
Estamos apenas interessados no caso em que temos uma varivel dependente Y , uma varivel
independente x e a equao de regresso linear, isto ,
Y = 0 + 1 x + , N (0, 2 ).
Observaes:
isto ,
Y |x N (0 + 1 x, 2 ).
77
78 CAPTULO 9. REGRESSO LINEAR
Y = 0 + 1 x.
Definio 9.1 (Resduo). Embora a varivel residual no seja observvel, possvel calcular os
desvios das n observaes da amostra.
i = Yi Yi = Yi 0 1 xi , i = 1, 2, . . . , n.
De entre diversos mtodos que existem para a deduo dos estimadores, vamos aqui abordar
o mtodo dos mnimos quadrados. Neste mtodo, os estimadores 0 e 1 devem ser obtidos de
modo a minimizar a soma do quadrado dos resduos,
n
X n
X
SQR = (Yi Yi )2 = (Yi 0 1 xi )2 .
i=1 i=1
SQ
0 = 0 2 (Yi 0 1 xi ) = 0
P
SQ = 0
2 xi (Yi 0 1 xi ) = 0
P
1
= Y 1 x
P P
Yi = n0 + 1 xi 0
P
1 = Pxi Y2i nxY
P P P 2
xi Yi = 0 xi + 1 x
i 2 xi nx
9.3. ESTIMAO DE 2 E QUALIDADE DO AJUSTE 79
Observao 2: A soma dos quadrados dos desvios pode ainda ser escrita da seguinte forma
n 2
X SxY
SQR = (Yi Yi )2 = SY Y = SY Y 12 Sxx ,
i=1
Sxx
com
n n
X X 2
SY Y = (Yi Y )2 = Yi2 nY .
i=1 i=1
SQR 2
2 Sxx SxY
R 2 = 1 Pn 2
= 1 =
i=1 (Yi Y ) SY Y Sxx SY Y
Esta medida compara a soma de quadrados dos resduos (SQR ) do modelo de regresso linear
simples com a SQR do modelo de regresso linear simples com 1 = 0. A quantidade R2 varia
entre 0 e 1. Na prtica, consideramos que o ajustamento razovel se R2 0.8.
2 SQR
(n 2) 2
= 2n2 .
2
80 CAPTULO 9. REGRESSO LINEAR
!
2 n
2
1 N 1 , 0 N 0 , nS xx 2
P
, e xi .
Sxx i=1
isto , 1 uma combinao linear de v.a.s Yi independentes, com distribuio Normal. Logo 1
tambm tem distribuio Normal. E ainda necessrio conhecer os seus parmetros. O seu valor
mdio
Pn n
x)E(Yi ) (xi x)(0 + 1 xi )
P
i=1 (xi
E(1 ) = = i=1 =
Sxx Sxx
0 ni=1 (xi x) + 1
Pn
i=1 (xi x)xi
P
1 Sxx
= = = 1
Sxx Sxx
e a varincia,
Pn Pn Pn
i=1 (xi x)Yi i=1 (xi x)2 V (Yi ) i=1 (xi x)2 2
V (1 ) = V = 2
= 2
Sxx Yi0 s indep. Sxx Sxx
Sxx 2 2
= 2
= .
Sxx Sxx
e a varincia,
!
2 2 2 nx2
V (0 ) = V (Y ) + x2 V (1 ) 2x Cov(Y , 1 ) = + x2 0= 1+
n Sxx n Sxx
n
!
2 2 X
= Sxx nx2 = x2i .
nSxx nSxx i=1
1 1 p 1 1
T = q 2 = Sxx tn2 ,
Sxx
s
0 0 nSxx 0 0
T =q = Pn 2 tn2 .
2 Pn 2 i=1 xi
nSxx i=1 xi
1 1
T = q 2 tn2
Sxx
i q q h
2 2
IC(1)100% (1 ) = 1 tn2;/2 Sxx , 1 + tn2;/2 Sxx .
82 CAPTULO 9. REGRESSO LINEAR
Hipteses:
H0 : 1 = a vs H1 : 1 6= a
Estatstica de teste:
p 1 a
T = Sxx tn2
Sob H0
R =] ; tn2,/2 [ ]tn2,/2 ; +[
O parmetro 0 corresponde ao ponto de interseco da recta com o eixo das abcissas. A inferncia
sobre este parmetro no tem a mesma importncia que tem a inferncia sobre o declive 1 da
recta de regresso.
r Pn r Pn
x2 x2
i h
IC(1)100% (0 ) 0 tn2;/2 2 i=1 i
nSxx ; 0 + tn2;/2 2 i=1 i
nSxx .
H0 : 0 = a vs H1 : 0 6= a
De modo anlogo ao apresentado na seco 8.3, podemos tambm realizar testes de hiptese
(bilaterais e unilaterais) para 2 recorrendo distribuio de 2 .
(b) Diga por suas palavras como interpreta o valor estimado do declive da recta acima consid-
erada. O sinal desta estimativa est de acordo com as suas expectativas? Porqu?
(c) Determine um intervalo de confiana a 95% para o verdadeiro declive da recta de regresso.
Comente o resultado face qualidade do ajuste concluda na alnea (a).
84 CAPTULO 9. REGRESSO LINEAR
Y |x0 = 0 + 1 x0 .
r r
(x0 x)2 (x0 x)2
i h
1 1
Y |x0 tn2;/2 2 n + Sxx , Y |x0 + tn2;/2 2 n + Sxx .
Nota: S devemos fazer estimao de Y |x0 para valores x0 que estejam dentro do intervalo das
observaes obtidas para x.
Y0 = Y (x0 ) = 0 + 1 x0 + ,
Y0 Y
Se 2 for estimado por 2 , ento T =r tn2 .
b0
1 (x0 x)2
2 1+ n + Sxx
Exerccios
1.2 Considere o problema anterior. Suponha que no h diferenciao dos cargos. De quantas maneiras
distintas se podia formar uma comisso, com trs elementos escolhidos entre os vinte e cinco ele-
mentos?
1.3 Quantas palavras diferentes, com ou sem significado, se podem formar com as letras da palavra
ROMA?
1.4 Quatro livros de Matemtica, seis de Fsica e dois de Qumica, todos diferentes, devem ser arrumados
numa prateleira. Quantas arrumaes diferentes so possveis se:
(a) os livros de cada matria ficarem todos juntos?
(b) apenas os livros de matemtica devem ficar juntos?
1.5 Numa sala de cinema, de quantas maneiras diferentes se podem sentar numa fila de 12 lugares, 7
amigos?
1.6 De quantas maneiras 10 pessoas podem sentar-se num banco, se houver apenas 4 lugares?
1.7 De quantas formas diferentes se podem sentar 12 pessoas numa mesa redonda?
1.8 Um homem tem 3 camisas e 2 gravatas. De quantas maneiras pode vestir-se (com uma camisa e
uma gravata)?
1.9 Num conjunto de 10 lmpadas para rvore de natal, 2 so defeituosas. Quantas amostras de 6
lmpadas podem ser escolhidas, de entre aquelas 10, de modo que:
(a) as 6 lmpadas escolhidas sejam todas boas?
(b) entre a 6 escolhidas haja uma, e uma s defeituosa?
1.10 Dados 12 pontos num plano, no havendo 3 deles sobre a mesma recta,
(a) quantas rectas so determinadas pelos pontos?
(b) quantas dessas rectas passam pelo ponto A?
(c) quantos tringulos so determinados pelos pontos?
(d) Quantos desses tringulos contm o ponto A como vrtice?
85
86 CAPTULO 10. EXERCCIOS
(c) 5 n3 = n+2
4
1.13 Os atletas A, B, e C vo participar numa corrida e todos esto preparados para a ganhar. O sistema
de cronometragem suficientemente preciso de modo que no se admitem empates.
(a) Qual a probabilidade de A terminar a corrida frente de C?
(b) Qual a probabilidade de A ganhar a corrida?
1.14 Por engano misturaram-se quatro pilhas novas com trs usadas. Escolhendo, ao acaso e sem
reposio, duas dessas pilhas, determine a probabilidade de:
(a) Ambas serem novas
(b) Nenhuma ser nova
(c) Pelo menos uma ser nova
1.15 Num grupo de 20 congressistas, 8 s falam ingls, 5 s falam francs e 7 falam os dois idiomas.
Qual a probabilidade de dois congressistas, escolhidos ao acaso, poderem conversar sem auxlio de
um intrprete?
1.16 Uma urna contm quatro bolas amarelas, cinco bolas verdes, trs bolas brancas e cinco bolas pretas.
Extraem-se sucessivamente, ao acaso e sem reposio, quatro bolas. Qual a probabilidade de:
(a) Obter na primeira extraco uma bola amarela, na segunda uma verde, depois uma branca e
finalmente uma preta?
(b) Obter o mesmo conjunto de cores independentemente da sua ordem?
1.17 (Teste de P.E. 2006/07) Considere os acontecimentos A e B de um espao de resultados tais que
P (A B) = 0.8, e P (A B) = 0.3. Qual o valor da P (B)?
1.20 De 100 agricultores, 50 produzem vinho, 30 produzem milho e 10 produzem vinho e milho. Escol-
hendo um deste agricultores ao acaso qual a probabilidade de:
(a) Ele produza vinho ou milho?
(b) Ele no produza vinho nem milho?
10.1. INTRODUO TEORIA DA PROBABILIDADE 87
1.21 A probabilidade de um homem estar vivo daqui a 25 anos 35 e a probabilidade da sua mulher ainda
viver na mesma ocasio de 23 . Determine a probabilidade de daqui a 25 anos:
1.22 Em determinada gelataria 40% dos clientes escolhem o sabor chocolate, 30% escolhem o sabor limo
e 15% escolhem os dois. Seleccionou-se ao acaso um cliente dessa gelataria.
(a) Se escolheu o sabor limo, qual a probabilidade de ter escolhido tambm o sabor chocolate?
E vice-versa?
(b) Qual a probabilidade de escolher limo ou chocolate?
1.23 Suponha que 10% da populao de certo pas sofre de problemas cardacos e que, de entre estes,
70% so fumadores. De entre os que no sofrem de problemas cardacos 45% fumam. Seleccionada
ao acaso uma pessoa desta populao:
1.24 Num clube de futebol treinam regularmente 30 jogadores, dos quais 8 so atacantes, 12 so mdios e
os restantes so defesas. Independentemente dos resultados dos restantes jogadores, cada atacante
tem uma probabilidade de 3/4 de marcar golo de penalty, cada mdio tem uma probabilidade de
1/2 de marcar golo por penalty e cada defesa consegue-o com probabilidade 1/5.
(a) Qual a probabilidade de que um jogador, escolhido ao acaso, marque golo devido a penalty?
(b) Dado que, num jogo, um qualquer jogador marcou um golo de penalty, qual a probabilidade
de esse jogador ser mdio?
1.26 Um aluno conhece bem 60% da matria dada. Num exame com cinco perguntas, sorteadas ao acaso,
sobre toda a matria, qual a probabilidade de vir a responder correctamente a duas perguntas?
1.27 Numa certa rua existem duas caixas Multibanco - A e B. A probabilidade de as mquinas avariarem
, independentemente uma da outra, de 0.05 para a A e 0.01 para a B. Determine a probabilidade
de, num dia qualquer:
1.28 (Teste de P.E. 2006/07) Uma urna tem oito moedas, seis honestas e duas viciadas. O resultado do
lanamento de uma moeda viciada sempre cara.
(a) Escolhendo duas das oito moedas disponveis, ao acaso e sem reposio, qual a probabilidade
de seleccionar as duas moedas viciadas.
(b) Escolhendo uma moeda ao acaso, qual a probabilidade de obter trs caras em trs lanamentos
sucessivos dessa moeda?
(c) Se em trs lanamentos, da mesma moeda, o resultado foi sempre cara, qual a probabilidade
de ter escolhido a moeda viciada?
88 CAPTULO 10. EXERCCIOS
1.29 (Exame de de P.E. D - 2008/09) Um laboratrio farmacutico produz um kit, que identifica rap-
idamente o tipo de sangue de uma pessoa, entre os 4 possveis: A, B, O e AB. O ensaio clnico
efectuado antes da comercializao do kit indica que 2%, 3%, 5% e 10% das pessoas com sangue
de tipo A, B, O e AB, respectivamente, so incorrectamente classificadas. Sabendo que 40% da
populao tem sangue do tipo A, 10% tem sangue de tipo B, 45% tem sangue de tipo O e os
restantes tm sangue de tipo AB, calcule:
(a) A probabilidade de uma pessoa, que usou o kit, ser incorrectamente classificada.
(b) A probabilidade de uma pessoa, que usou o kit e foi incorrectamente classificada, ter sangue
de tipo AB.
10.2. VARIVEIS ALEATRIAS 89
(a) Determine p e q.
(b) Determine a funo de distribuio da v.a. X e esboce o seu grfico. Comente-o.
(c) Determine a funo de probabilidade das v.a.s Y = 40X e W = max(X, 1).
2.2 A v.a. X representa o nmero de pontos que saem no lanamento de um determinado dado. A sua
funo de distribuio segue-se:
0, x<1
1/6, 1 x<2
1/4, 2 x < 4
F (x) =
1/2, 4 x < 5
7/12, 5x<6
1, x6
2.3 O Sr. Matias possui um caf nas vizinhanas de um estdio de futebol. Da sua experincia, o Sr.
Matias sabe que, em dias de futebol, costuma vender ou 50, ou 100, ou 150 ou 200 sandes, com
probabilidades 0.2, 0.4, 0.3 e 0.1, respectivamente.
O Sr. Matias costuma fazer 100 sandes e quando estas se esgotam recorre a um fornecedor da terra
que lhe garante o envio atempado de mais sandes.
(a) Qual a probabilidade de as sandes preparadas pelo Sr. Matias serem insuficientes para satisfazer
a procura?
(b) Calcule a probabilidade de vender 200 sandes, num dia em que as sandes por ele feitas no
satisfazem a procura.
cb` cb` b`
J
- -
1 0 1 x 2b 0 b x
2.7 A quantidade de tempo, em horas, que um computador funciona at avariar uma v.a. com a
seguinte funo densidade probabilidade:
x
k e 100 , x 0
f (x) =
0, x<0
(a) Qual a probabilidade de o computador trabalhar entre 50 e 150 horas antes de avariar?
(b) Qual a probabilidade de o computador funcionar menos de 100 horas at avariar? E exacta-
mente 100 horas?
(c) Qual a probabilidade de o computador avariar aps 200 horas de funcionamento, sabendo que
j funcionou mais de 100 horas?
2.8 (Exame de P.E. 2006/07) Seja X uma varivel aleatria com funo densidade
c(1 + x), 1 < x 0;
f (x) = c(1 x2 ), 0 < x < 2;
0, outros valores de x;
2.9 Determine o valor mdio e a varincia da varivel aleatria discreta X com funo de probabilidade:
P (X = 0) = 81 P (X = 1) = 38 f (2) = 83 P (X = 3) = 18 . Calcule ainda:
E(g(X)), com g(X) = X 3 , E 1+X 1
e E(X 2 ).
2.11 Numa lotaria foram emitidos 10000 bilhetes. Sorteia-se 1 prmio de 25000 unidades monetrias
(u.m.) e 10 prmios de 2500 u.m.. Seja X a v.a. que representa o valor do prmio de um bilhete
qualquer.
2.12 Uma comisso de alunos est a organizar uma festa da faculdade. Os alunos vo comprar 200 litros
de cerveja. Um fornecedor deste lquido (A) cobra 1 unidade monetria (u.m.) por litro permitindo
a devoluo da cerveja que sobrar (e que no tem de ser paga) e um outro fornecedor (B) cobra
0.5 u.m. por litro, no admitindo devolues. Os alunos, independentemente de quanto lhes custe
a cerveja, cobram 1.5 u.m. por litro.
Sabendo que, se estiver bom tempo - o que acontecer com probabilidade 0.8 - os alunos conseguem
vender os 200 litros de cerveja, mas se estiver mau tempo s vendem metade, a quem devem comprar?
2.14 Determine E(X), E(X 1), V (X), E(X(X 1)), E(eX ), a mediana e o coeficiente de variao
da v.a. X, que tem a seguinte funo densidade probabilidade:
x
2, 0x1
1,
1<x2
2
f (x) =
3x
2 , 2<x3
0, x<0 x>3
2.16 (Teste de P.E. D - 2008/09) Uma empresa de produtos qumicos fabrica um composto que vende
em doses unitrias de 1 litro. Suponha que a fraco de lcool numa dose unitria do composto
uma varivel aleatria X, com funo densidade de probabilidade dada por:
kx3 (1 x),
0 x 1;
f (x) =
0, outros valores de x;
Obtenha a funo de probabilidade da varivel aleatria, L = V 0.8, o lucro obtido por cada
dose daquele composto.
10.3. VECTORES ALEATRIOS 93
X\Y 0 2 a
0 c 2c 3c
1 2c 3c 4c
3.2 Numa empresa de aluguer de avies informam-nos de que a procura diria de avies de passageiros,
X, e a procura diria de avies de transporte rpido de correio, Y , constituem um par aleatrio
(X, Y ), cuja funo de probabilidade conjunta dada por:
X\Y 0 1 2
0 0 0.25
1 0.05 0.35
2 0.1 0.1 p + 0.2
3 0 0.1 p
0.2 0.5
(a) Qual a probabilidade de, num dia, a procura de avies de passageiros ser inferior procura de
avies de transporte rpido de correio?
(b) Determine a funo de probabilidade de X|Y = 1 e calcule E(X|Y = 1).
(c) Para um dia em que foi pedido um avio de transporte rpido de correio, qual a probabilidade
de terem sido procurados 1 ou 2 avies de passageiros?
(d) Qual a procura diria mdia de avies de passageiros?
(e) Deduza a funo de probabilidade da procura total diria de avies de aluguer.
(f) Determine a procura diria total mdia de avies de aluguer.
(g) Sabendo que V (X) = 0.8875, determine Cov(X, Y ), V (X 2Y ) e (X, Y ).
3.3 (Exame de P.E. 2006/07) Seja (X, Y ) um par aleatrio, onde X representa o nmero dirio de
imveis vendidos numa agncia imobiliria e Y a v.a. definida por:
(
0, se a agncia imobiliria no fecha durante o horrio de almoo;
Y =
1, se a agncia imobiliria fecha durante o horrio de almoo;
Sabe-se que:
X tem distribuio B(2, 0.6) e os valores da v.a. Y ocorrem com a mesma probabilidade.
Os acontecimentos {X = 1} e {Y = 0} so independentes.
P (X = 2, Y = 1) = 0.12.
(a) Construa a tabela da funo de probabilidade conjunta e marginais associada ao par aleatrio
(X, Y ).
94 CAPTULO 10. EXERCCIOS
3.4 Numa fbrica produzem-se ratos de computador, que podem sofrer de dois tipos diferentes de
defeitos - digamos A e B. Para cada rato produzido definem-se duas variveis aleatrias, X e Y ,
representando, respectivamente, o nmero de defeitos do tipo A e do tipo B a si associados:
0, rato sem defeito do tipo A 0, rato sem defeito do tipo B
X= Y =
1, rato com defeito do tipo A 1, rato com defeito do tipo B
3.6 Sejam X e Y duas v.a.s tais que V (X) = 2 e V (Y ) = 2 2 . Considere novas v.a.s, T = 2X + Y
e W = X Y . Sabendo que V (W ) = 2 , calcule:
3.7 Seja (X, Y ) um par aleatrio para o qual V (X) = V (Y ) = 2 e coeficiente de correlao . Sejam
as novas v.a.s U = X + Y e W = X Y . Mostre que V (W ) = 2 2 (1 ) e Cov(U, W ) = 0.
3.8 Seja (X, Y ) um par aleatrio com a seguinte funo densidade probabilidade conjunta:
(
k(x + 2y), 0 < x < 1, 0 < y < 1
f (x, y) =
0, c.c.
(a) Determine k.
(b) Determine as funes densidade marginais de X e Y .
(c) As variveis X e Y so independentes?
10.3. VECTORES ALEATRIOS 95
3.9 Seja (X, Y ) um par aleatrio com a seguinte funo densidade probabilidade conjunta:
k, x > 0, y < 0, y > x 2
f (x, y) =
0, restantes valores de (x, y)
(a) Determine k.
(b) As variveis X e Y so independentes?
96 CAPTULO 10. EXERCCIOS
4.2 De forma a proceder a uma classificao geral do estado das praias Portuguesas, uma comisso
Europeia vai inspeccionar 10 praias, seleccionadas ao acaso de entre as 100 existentes. A comisso
atribui a classificao de Bom se pelo menos 8 das 10 praias inspeccionadas estiverem em bom
estado. Sabendo que, da totalidade das 100 praias, 15 no apresentam boas condies, qual a
probabilidade de Portugal:
(a) Obter uma classificao de Suficiente, pelo facto da comisso s ter encontrado 7 praias em
bom estado?
(b) Obter uma boa classificao?
(c) Se a comisso s inspeccionasse 5 praias, qual a probabilidade de no encontrar nenhuma em
mau estado?
(d) Nas praias inspeccionadas quantas se esperam que estejam em bom estado?
4.3 O senhor Sousa tem uma empresa que compra e vende selos e outros artigos de coleccionismo. Ele
guarda 20 selos dentro de uma bolsa preta, estando ainda cada um deles metido num envelope
opaco. 6 destes selos valem 100 euros cada um e os restantes nada valem. O senhor Sousa, para
promover a venda, cobra 20 euros por cada selo, mas no permitindo que o cliente veja o contedo
do envelope. Suponha que um cliente compra 5 selos.
4.4 Num determinado percurso de avio, a probabilidade de uma pessoa qualquer que a viaje pedir uma
refeio vegetariana de 0.2. Supondo que em determinado dia viajam 10 pessoas no avio, calcule
a probabilidade de:
4.5 Determinado exame constitudo por 5 questes de escolha mltipla, em que cada questo tem 4
opes de resposta possveis - apenas uma sendo a correcta. Supondo que um aluno que vai fazer
o exame responde a tudo ao acaso, qual a probabilidade de ele acertar a mais de metade das
questes? Qual o nmero mdio de respostas correctas? E o seu desvio padro?
4.6 Sabe-se que 5% dos copos produzidos em determinada fbrica apresentam pequenos defeitos.
Seleccionando-se da produo da fbrica, ao acaso, 50 copos, qual a probabilidade de:
4.7 Na sala de aula de uma escola, 2 meninos lanam ao ar moedas equilibradas. O Joo faz 10
lanamentos e o Pedro 15. Qual a probabilidade de, no total dos lanamentos, sarem exactamente
12 caras?
4.8 Verifica-se que, relativamente a um determinado dado, quando ele lanado, a probabilidade de sair
um nmero par duas vezes superior probabilidade de sair um nmero mpar.
(a) Se X representar a v.a. que conta o nmero de vezes que sai um nmero par em 4 lanamentos
deste dado, determine a sua funo de probabilidade.
(b) Considere a v.a. Y = nmero de lanamentos necessrios at obter um nmero mpar.
i. Qual o valor mdio, coeficiente de variao e moda de Y ?
ii. Qual a probabilidade de ser necessrio lanar 4 vezes o dado, para obter um nmero
mpar?
iii. Qual a probabilidade de ser necessrio lanar pelo menos 2 vezes o dado, para obter um
nmero mpar?
4.9 Numa priso existem 1500 presos, dos quais 4% cometeram homicdio por envenenamento. Seleccio-
nando-se aleatoriamente 8 presos para executarem os trabalhos na cozinha da priso, qual a proba-
bilidade de que 2 deles sejam deste tipo de homicidas?
4.10 Uma lista de clientes de uma empresa constituda por 1000 endereos de clientes. Destes, 300
compraram nos ltimos 3 meses, pelo menos um produto da empresa. Com o objectivo de avaliar
da aceitao de um novo produto, 25 clientes daquela lista foram escolhidos ao acaso e sondados
acerca do novo produto. Qual a probabilidade de no mximo 2 dos 25 clientes escolhidos, fazerem
parte do grupo dos que realizaram alguma compra durante os ltimos 3 meses?
4.11 O nmero de chamadas de emergncia que um servio de ambulncias recebe por dia uma v.a. de
Poisson. Sabendo que a probabilidade de no haver nenhuma chamada num dia de 0.15, calcule:
4.13 Suponha que, o nmero de pessoas que utilizam uma caixa multibanco um processo de Poisson
de taxa = 10/hora. Calcule;
(a) a probabilidade de no ir ningum caixa multibanco durante 1 hora.
(b) a probabilidade de irem 20 pessoas referida caixa durante 4 horas.
(c) O nmero mdio de visitas caixa multibanco durante 4 horas e o seu coeficiente de variao.
4.14 Na portagem da ponte 25 de Abril o nmero de veculos automveis que passa em cada cabine de
pagamento da portagem, por minuto, segue uma distribuio de Poisson com valor mdio 1 veculo.
Supondo que em determinado minuto esto abertas 10 cabines, qual a probabilidade de serem, no
total, atendidos 11 condutores nesse minuto?
4.15 Suponha que num livro de 500 pginas existem 300 erros tipogrficos, distribudos aleatoriamente
por todo o livro. Assumindo que o nmero de erros segue uma distribuio de Poisson, determine a
probabilidade de uma dada pgina conter:
4.16 Um grande armazm de venda de material de vidro de laboratrio emprega 100 pessoas. Tem-se
verificado que o nmero de peas quebradas, por empregado e por ms, segue uma distribuio de
Poisson de valor mdio 1.5. Cada pea partida representa um prejuzo de 40 cntimos, pelo que o
armazm s arca com a despesa de um mximo de 3 peas por ms e por empregado. A partir deste
valor no salrio do empregado que se desconta a despesa.
(a) Qual a probabilidade de um empregado escolhido ao acaso ter de pagar do seu bolso algum
prejuzo num qualquer ms?
(b) Considere agora a varivel aleatria que representa o prejuzo do armazm, por ms e por
empregado. Determine a sua funo de probabilidade, qual esse prejuzo mdio e o seu
desvio padro.
4.17 Em determinada empresa 2% das chamadas telefnicas recebidas so enganos. Qual a probabilidade
aproximada de, em 200 telefonemas, haver pelo menos 2 enganos? Qual o nmero mdio de enganos?
4.18 Numa feira popular a probabilidade de uma pessoa contrair uma intoxicao alimentar de 0.0005.
Determine a probabilidade de, em 300 pessoas, 2 ficarem intoxicadas.
4.19 Determinado jogo consiste em acertar com um dardo num segmento de recta de comprimento 1
metro, colocado na posio horizontal. Admitindo que se acerta apenas sobre o segmento de recta
(e no fora dele) e que se tem igual probabilidade de acertar em qualquer ponto:
(a) Identifique a funo densidade probabilidade da v.a. X que representa a distncia, em metros,
do ponto onde se acertou ao extremo esquerdo do segmento.
(b) Calcule P (0.4 < X < 0.6).
(c) Qual o valor mdio do ponto onde se acerta? E o seu coeficiente de variao?
(d) Calcule P (0.4 < X < 0.6|X > 0.5).
(e) Seja A =]0.4, 0.6[, a regio central do segmento de recta compreendida entre os 4cm e os
6cm. Qual a probabilidade de, em 5 lanamentos do dardo, acertar 3 vezes em A?
4.20 Num posto dos correios o tempo (minutos) que a D. Hermnia demora a atender cada um dos seus
clientes uma v.a. exponencial de valor mdio 3 minutos. Determine:
(a) A funo de distribuio de X.
(b) A probabilidade de um cliente demorar mais de 5 minutos a ser atendido.
(c) A probabilidade de um cliente demorar mais de 3 minutos a ser atendido.
(d) A probabilidade de um cliente demorar mais de 5 minutos a ser atendido, sabendo que j est
a ser atendido h pelo menos 2 minutos. Compare com a probabilidade anterior e comente.
(e) O coeficiente de variao do tempo de atendimento.
4.21 Admita que os clientes chegam a uma loja de acordo com um processo de Poisson de mdia =
2/minuto. Calcule a probabilidade:
(a) do tempo entre chegadas consecutivas ser superior a um minuto.
(b) do tempo entre chegadas consecutivas ser inferior a quatro minutos.
(c) do tempo entre chegadas consecutivas estar entre um e dois minutos.
(d) do tempo de espera pelo terceiro cliente ser superior a 5 minutos.
4.24 Seja X uma v.a. normal com mdia 12 e varincia 2. Determine c tal que:
4.25 Admita que o Q.I. das pessoas de determinado pas uma v.a. X com distribuio normal de mdia
90 e desvio padro 12. Determine:
4.26 A altura (metros) a que crescem os pinheiros uma v.a. X normalmente distribuda com desvio
padro igual a 1 metro. Supondo que 90% dos pinheiros atingem uma altura de pelo menos 16
metros, qual a altura mdia dos pinheiros?
4.27 Numa fbrica de embalar arroz este trabalho executado por uma mquina. A quantidade de arroz
(Kg) que entra nos pacotes uma v.a. X seguindo uma distribuio normal de valor mdio e
desvio padro .
(a) Determine sabendo que a quantidade embalada difere da sua mdia por menos de 100g, em
95 % dos casos.
(b) Supondo que = 1Kg, determine a probabilidade de, em 10 pacotes de arroz embalados por
esta mquina, 2 terem menos de 0.9Kg.
4.28 Considere X uma v.a. Normal de valor mdio 2 e varincia 9. Seja I um intervalo do tipo [4 a, a].
Determine o valor de a de modo a que P (X I) = 0.90.
4.29 A altura (metros) a que um atleta salta uma v.a. Normal de mdia 1.8m e desvio padro 20cm.
Sabendo que 20% das vezes o atleta consegue saltar acima de h, determine h.
4.30 Num jardim zoolgico existem um leo e um tigre que consomem, independentemente um do outro,
o mesmo tipo de alimentao - carne de 2a . A quantidade de carne (Kg) que cada um deles come
por dia so variveis aleatrias, representadas por X1 para o leo e X2 para o tigre, respectivamente,
normalmente distribudas com mdia 4Kg e desvio padro 0.5Kg. Determine a probabilidade de,
num determinado dia:
4.31 Um restaurante vende comida a peso e constatou que a quantidade de comida vendida (Kg) tem
distribuio Normal, dependendo os seus parmetros de o cliente ser homem ou mulher - caso seja
mulher a mdia de 0.4 Kg e o desvio padro 0.1 Kg e caso seja homem a mdia de 0.5 Kg e
o desvio padro de 0.2 Kg. Sabendo que os clientes so 55% mulheres e 45% homens, e que a
quantidade de comida consumida independentes entre clientes:
(b) Sabendo que um cliente consumiu mais de 0.6 Kg de comida, qual a probabilidade de ser
homem?
(c) Num grupo de 4 mulheres e 6 homens qual a probabilidade de se consumir menos de 5 Kg de
comida?
4.32 (Teste de PE 2006/07) Um elevador est preparado para suportar uma carga at 450 kg. Sempre
que este valor ultrapassado o elevador no funciona. Um estudo recente indica que o peso, das
pessoas que utilizam esse elevador, uma varivel aleatria com distribuio Normal de valor mdio
70 kg.
(a) Sabendo que a probabilidade de uma pessoa (que utiliza o elevador) pesar menos de 60 kg
0.0228, determine o desvio padro desta varivel aleatria.
(b) Se entrarem 6 pessoas no elevador, qual a probabilidade de o elevador no funcionar devido
ao excesso de peso?
4.33 (Teste de P.E. D 2005/06) Um foguete espacial constitudo por 3 partes distintas, cpsula, corpo
e depsitos. Representem as v.a.s X, Y e W o peso da cpsula, o peso do corpo do foguete e o
peso dos depsitos, respectivamente, em toneladas. Sabe-se que X N (5, 1), Y N (10, 22 ) e
W N (7, 22 ), sendo as trs variveis independentes entre si.
4.34 Admita que X uma v.a. com distribuio t com 14 graus de liberdade, X t14 . Determine o
valor de c, tal que:
(a) P (X c) = 0.75;
(b) P (X c) = 0.05;
(c) P (|X| > c) = 0.4.
4.35 Suponha que X uma v.a. com distribuio 2 com 10 graus de liberdade, X 210 . Determine
o valor de c, tal que:
(a) P (X c) = 0.95;
(b) P (X c) = 0.05.
10.5. TEOREMA LIMITE CENTRAL 101
5.2 O nmero de sismos no Japo, por ms, uma v.a. com mdia 5 sismos e desvio padro 2 sismos.
Admitindo que os sismos so independentes entre si, determine a probabilidade de nos prximos 40
anos haver no mximo 2300 sismos.
5.3 Uma empresa vende caixas com biscoitos e, quando lhe solicitado, envia-as pelo correio. Para
evitar pesar estas caixas, cobra sempre o valor de portes de correio correspondente a admitir que
qualquer caixa pesa 2508g.
Cada caixa leva 100 biscoitos e o peso da embalagem plstica desprezvel.
Se soubermos que o peso de cada biscoito varivel mas que em mdia pesa 25g com um desvio
padro de 8g, determine a probabilidade do valor pago em portes de correio com o envio de uma
caixa ser inferior ao valor que pagaria, caso a caixa fosse pesada.
5.4 Ao adicionar nmeros, um computador arredonda cada nmero para o inteiro mais prximo. Admita
que os erros cometidos so v.a.s independentes e identicamente distribudas (i.i.d.) com valor mdio
igual a 0 e varincia igual a 1/12.
Se 1200 nmeros forem adicionados, qual a probabilidade aproximada de que o erro total cometido
no ultrapasse 15.4?
5.5 Envelopes de avio so empacotados em grupos de 100, sendo depois pesados. Supondo que o
peso de cada envelope uma v.a. com valor mdio igual a 1 grama e desvio padro de 0.05 g,
independentemente de envelope para envelope, determine:
(a) a probabilidade de que um pacote, com exactamente 100 envelopes, pese mais de 100.5 g.
(b) a probabilidade de que a mdia dos pesos dos 100 envelopes de um pacote, diste do respectivo
valor mdio por uma quantidade superior a 0.01g.
5.6 Numa determinada estufa de produo de tulipas vo-se semear 240 bolbos desta flor. Sabe-se que
em mdia cada bolbo produz 4 flores, com um desvio padro de 2 flores. Qual a probabilidade
aproximada de se conseguir obter uma produo final de mais de 1000 tulipas? Justifique.
5.7 Na populao das mulheres cerca de 20% esto grvidas. Supondo que se selecciona ao acaso 250
mulheres, qual a probabilidade de que 50 estejam grvidas? E qual a probabilidade de que pelo
menos 50 estejam grvidas?
5.8 Um avirio vende ovos em caixas de 1 dzia, verificando-se que cerca de 1% dos ovos se partem no
transporte para os seus locais de comercializao. Num contentor com 80 caixas qual a probabilidade
de se encontrarem entre 5 e 15 ovos partidos?
5.9 O nmero de utentes dirios de uma mquina de venda de selos tem uma distribuio de Poisson
com valor mdio 20. Determine a probabilidade de num ms de 30 dias:
5.10 Sabe-se que o nmero de automveis que entram numa auto-estrada num perodo de 10 segundos
uma v.a. com distribuio de Poisson de valor mdio 3.
Qual a probabilidade aproximada de entrarem 20 ou mais automveis durante 30 segundos?
102 CAPTULO 10. EXERCCIOS
(1, 3, 0, 0, 2, 3, 0, 2, 4, 1).
Com base nesta amostra estime pontualmente e 2 . Estime ainda o erro padro da estimativa
de . Comente.
6.2 Considere que se seleccionou uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com valor
mdio e varincia 2 .
Pn
Xi
(a) Mostre que X = i=1 estimador centrado e consistente da mdia populacional.
n
X1 + Xn 2X1 + 3X2 + 5X3
(b) Mostre que 1 = e 2 = tambm so estimadores centrados de
2 10
. Qual melhor? So consistentes?
(c) Mostre que (X)2 no estimador centrado de 2 .
6.3 Suponha que seleccionou uma amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com dis-
tribuio U (0, ), isto , com funo densidade:
1
f (x) = , 0 x
0, c.c.
6.4 (Teste de P.E. - 2006/07) Seja (X1 , X2 , . . . , Xn ) uma amostra aleatria, extrada de uma populao
com distribuio Geomtrica.
(a) Determine o estimador de p usando o mtodo dos momentos e o mtodo da mxima verosi-
milhana.
(b) Determine o estimador de mxima verosimilhana do valor mdio de X. Verifique se o esti-
mador consistente para a estimao do valor mdio.
6.5 Considere a experincia aleatria que consiste em contar o nmero de vezes que se lana um
dado (eventualmente no equilibrado) at sair um nmero par. Em 15 realizaes da experin-
cia obtiveram-se os seguintes resultados:
1 9 2 2 1 9 2 3 1 1 4 1 7 2 1
6.6 Considere a amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com distribuio Bin(r, p), com
r conhecido.
(a) Determine o estimador dos momentos de p.
(b) Verifique que a funo log-verosimilhana :
n n n
X r X X
l(p) = ln + ln(p) xi + ln(1 p)(nr xi ), se xi {0, 1, . . . , r}.
i=1
xi i=1 i=1
6.7 Considere a amostra aleatria (X1 , X2 , . . . , Xn ) de uma populao com com funo densidade,
f (x) = , x>1 ( > 0).
x+1
(a) Sabendo que E(X) = 1 , > 1, determine o estimador dos momentos de .
(b) Verifique que a funo log-verosimilhana dada por:
n
X
l() = n ln() ( + 1) ln(xi ), se xi > 1, i = 1, . . . , n.
i=1
6.8 Sabe-se que a idade de determinada camada do subsolo segue uma distribuio Normal com mdia
de 0.5 milhes de anos e um desvio padro de 20000 anos. Seleccionadas ao acaso 10 amostras de
subsolo calcule a probabilidade de a mdia amostral das suas idades ser superior a 490000 anos.
6.9 Considere uma amostra aleatria de dimenso 25, extrada de uma populao Normal de mdia 100
e desvio padro 10.
(a) Qual a probabilidade de a mdia amostral cair no intervalo de E(X) 1.96 SE(X) a
E(X) + 1.96 SE(X)?
(b) Quanto dever ser o tamanho amostral tal que a amplitude do intervalo definido em (a)
diminua para 2.
6.10 O tempo de espera em pista para a descolagem de cada avio no aeroporto de Lisboa uma v.a.
com valor mdio 4 minutos e desvio padro 2.5 minutos. Suponha que se selecciona ao acaso 50
avies, para se registarem os seus correspondentes tempos de espera. Calcule a probabilidade de a
mdia dos tempos de espera exceder os 5 minutos.
6.11 Assuma que o nmero de ovos que as tartarugas verdes depositam nas praias, em cada desova, uma
v.a. de P oisson, com valor mdio 15 ovos. Seleccionando ao acaso uma amostra de 100 tartarugas
verdes, qual a probabilidade de que a mdia do nmero de ovos destas esteja compreendido entre o
seu valor mdio e 3 vezes o seu erro padro.
6.12 Suponha que o tempo de vida de determinada espcie de burros uma v.a. com distribuio
exponencial, de valor mdio 25 anos. Seleccionando ao acaso uma amostra de 40 burros desta
espcie, qual a probabilidade de que a mdia dos seus tempos de vida seja inferior a 20 anos?
6.13 No pas das Maravilhas a proporo de loucos de 0.45. Suponha que se pretende seleccionar uma
amostra aleatria de 500 habitantes deste pas. Qual a probabilidade de a proporo de loucos que
vo calhar na amostra exceder 0.5?
6.14 Numa populao Normal de mdia desconhecida e desvio padro 5 calcule a probabilidade de a
varincia de uma amostra aleatria de dimenso 20 dessa populao estar compreendida entre 26 e
58.
104 CAPTULO 10. EXERCCIOS
7.2 A quantidade de combustvel dispendido num percurso de Lisboa a Faro (em litros) uma varivel
aleatria normal.
(a) Assuma que em 8 viagens Lisboa-Faro seleccionadas ao acaso se verificou um gasto mdio de
combustvel de 36 litros e um desvio padro de 10 litros. Construa intervalos de confiana
para a mdia a 90% e a 95% e compare-os.
(b) Assuma agora que foi em 50 viagens Lisboa-Faro, seleccionadas ao acaso, que se verificou um
gasto mdio de combustvel de 36 litros e um desvio padro de 10 litros. Construa intervalos
de confiana para a mdia a 90% e a 95% e compare com os anteriores. Comente.
(a) Construa um intervalo de confiana a 95% para o tempo mdio de reaco dos ces.
(b) Suponha que s se conseguiu obter uma amostra de 15 ces, tendo resultado em x = 1.1s
(xi x)2 = 15.9s2 . Construa, para este caso, um intervalo de confiana a 95% para o
P
e
tempo mdio de reaco dos ces, referindo eventuais pressupostos que tenha tido de fazer.
7.9 Numa fbrica de embalagem de queijo em fatias seleccionaram-se aleatoriamente 100 embalagens,
das quais se verificaram que 18 tinham peso inferior ao suposto - sendo por isso inadequadas.
Construa um intervalo de confiana a 98%para a verdadeira proporo de pacotes inadequados na
produo total.
7.10 De 200 casos de pessoas com cancro do clon, aleatoriamente detectadas, 12 morreram aps 5 anos
da deteco.
(a) Estime pontualmente a probabilidade de uma pessoa que contraia o cancro do clon morrer
aps 5 anos da sua deteco.
(b) Quanto deveria aumentar ao tamanho da sua amostra aleatria de forma a que a largura do
intervalo de confiana a 90% para a probabilidade considerada na alnea anterior fosse inferior
a 0.01?
7.11 O tempo (horas) que o Pedro dispende em filas de trnsito, por dia, uma v.a. Normal. Seleccio-
nando aleatoriamente 15 dias registaram-se os seguintes valores de espera:
1.5 1.0 1.0 2.0 1.5 1.25 1.0 2.0 1.5 1.25 1.75 0.5 1.0 1.5 1.25
Admitindo a normalidade das pontuaes, construa um intervalo de confiana a 95% para a varincia
e para o desvio padro (este ltimo fornece uma medida da consistncia da prestao do jogador).
106 CAPTULO 10. EXERCCIOS
8.8 Numa operao stop da brigada de trnsito, de 120 camies TIR que foram parados, 42 iam com
excesso de peso. Com base nesta amostra aleatria, teste a hiptese de que a proporo deste tipo
de camies, que circulam nas nossas estradas em situao ilegal, ultrapassa os 30%. Use um nvel
de significncia de 10%.
10.8. TESTE DE HIPTESES 107
8.9 (Exame de P.E. D - 2008/09) A populao das estaturas dos alunos da FCT, em metros, segue
uma distribuio Normal. Recolheu-se a seguinte amostra aleatria de estaturas de 40 alunos desta
faculdade:
1.79 1.80 1.72 1.82 1.57 1.78 1.78 1.66 1.78 1.80
1.75 1.74 1.60 1.77 1.82 1.82 1.75 1.66 1.84 1.77
1.78 1.78 1.69 1.78 1.52 1.72 1.84 1.65 1.71 1.79
1.76 1.70 1.63 1.71 1.70 1.64 1.59 1.63 1.74 1.71
correspondendo a uma mdia amostral de 1.73 e a um desvio padro amostral de 0.08. Teste a
hiptese de que a verdadeira proporo de alunos com estatura superior ou igual a 1.82m nesta
populao maior que 0.2. Use um nvel de significncia de 5%.
8.10 Determinada desordem gentica no sangue pode ser prevista com base num teste de sangue muito
simples. De forma a ter uma noo da proporo de pessoas que na populao possam vir a ter
esta desordem, testaram-se 100 pessoas, seleccionadas ao acaso, para as quais 14 testes deram
positivo. Efectue um teste de hipteses, usando um nvel de significncia 5%, sobre se percentagem
de pessoas com tal desordem inferior a 10%.
8.11 No fabrico de parafusos admite-se, relativamente aos seus comprimentos, uma variabilidade mxima
de 0.5mm2 . Recolheu-se uma amostra aleatria de 20 parafusos que se verificou terem s2 = 0.3.
Admitindo a Normalidade do comprimento dos parafusos, teste, ao nvel de significncia de 5% se
a especificao sobre a variabilidade do comprimento dos parafusos est a ser respeitada.
8.12 Com base na amostra aleatria seguinte, teste H0 : = 1.3 vs H1 : 6= 1.3, a um nvel de
significncia de 1%: 2.0 3.2 5.0 1.8 3.4 2.6
8.13 A resistncia de um determinado metal dito ter uma variabilidade inferior a 0.01 ohm2 . Teste
esta hiptese, a um nvel de significncia 10%, usando a seguinte amostra aleatria de resistncias
medidas para este metal:
8.14 Considere novamente a amostra do exerccio 8.9. Podemos considerar a amostra aleatria?
8.15 Considere a seguinte tabela de frequncias de uma v.a. X:
Valores 0 1 2 3 4
Frequncia 4 21 10 13 2
(a) a distribuio Binomial com n = 5 e p = 0.25 um modelo apropriado? Teste esta hiptese
ao nvel de significncia de 5%.
(b) Determine um valor aproximado para o valor-p.
8.16 O gerente de uma loja pretende saber se os tempos entre chegadas de clientes sua loja se com-
porta probabilisticamente segundo uma distribuio exponencial. Para tal, registou os tempos entre
chegadas consecutivas de clientes numa manh. Esses tempos (em minutos) foram:
8.17 Teste a um nvel de significncia 5% que a seguinte amostra aleatria provm de uma distribuio
Normal(3, 22 ):
1.14, 3.11, 3.55, 2.81, 6.28, 1.61, 4.36, 0.90, 0.81, 0.18, 2.08, 2.68, 2.12, 0.33, 2.57,
3.55, 1.81, 2.56, 5.56, 2.46, 4.20, 1.63, 4.21, 4.85, 4.24, 3.98, 1.40, 3.00, 2.01, 3.31
8.18 Pensa-se que a altura a que os eucaliptos chegam aos 20 anos uma v.a. Normal de mdia 2m. Para
o confirmar seleccionou-se uma amostra aleatria de 30 eucaliptos, tendo observado as seguintes
alturas:
0.2, 0.8, 3.6, 1.0, 0.2, 4.3, 3.1, 0.4, 3.3, 3.1, 3.2, 5.3, 1.7, 0.2, 2.8, 0.4, 0.5, 3.0, 1.2, 4.2, 4.8,
3.4, 2.1, 2.5, 2.4, 2.1, 0.8, 3.5, 1.7, 1.3
Teste, ao nvel de significncia 1%, a conjectura referida.
8.19 (Teste de P.E. D - 2008/09) Teste a um nvel de significncia 5% que a seguinte amostra aleatria
provm de uma populao com funo de distribuio F , definida por:
0, x<0
2
F (x) = 2x x , 0 x<1
1, x1
0.10, 0.33, 0.90, 0.43, 0.22, 0.42, 0.46, 0.68, 0.12, 0.51, 0.18, 0.03, 0.48, 0.24, 0.47
0.11, 0.52, 0.47, 0.32, 0.40, 0.01, 0.34, 0.32, 0.57, 0.51, 0.12, 0.06, 0.40, 0.07, 0.40
Para a realizao do teste considere as classes ]0; 0.25], ]0.25; 0.5], ]0.5; 0.75] e ]0.75; 1[.
10.9. REGRESSO LINEAR 109
i 1 2 3 4 5 6 7 8 9
xi 100 250 500 750 1000 1250 1500 1750 2000
Yi 4 9 15 16 20 46 54 59 72
X X X
Yi2 = 14675 Y = 32.78 x2i = 12760000 x = 1011.11 Yi xi = 427900
(a) Ajuste um modelo de regresso linear simples aos dados. O que pode dizer sobre a qualidade
do ajuste?
(b) Determine um intervalo de confiana a 95% para o verdadeiro declive da recta de regresso.
(c) Use o resultado da alnea anterior para testar a hiptese de que o verdadeiro declive da recta
de regresso nulo.
9.3 (Exame de P.E. D - 2005/06) Pretende-se averiguar se existe uma relao directa entre a proximidade
com campos de futebol da residncia de casais e a taxa de divrcio. Assim registaram-se, em 5 locais
seleccionados ao acaso, o correspondente nmero de estdios de futebol num raio de 50Km (x) e a
respectiva taxa de divrcio por 1000 habitantes registada nessas localidades (Y ):
No de campos de futebol, xi 0 1 2 5 6
Taxa de divrcio (por 1000 habitantes), Yi 2.2 2.5 3.5 4.1 4.8
5
X 5
X 5
X 5
X 5
X
xi = 14; x2i = 66; Yi = 17.1; Yi2 = 63.19; Yi xi = 58.8; SQR = 0.2585075.
i=1 i=1 i=1 i=1 i=1
(a) Ajuste uma recta de regresso linear a estes dados. Que pode dizer da qualidade do ajuste?
(b) Diga por suas palavras como interpreta o valor de 1 obtido.
(c) Teste a hiptese do verdadeiro valor declive da recta de regresso, 1 , ser nulo, a um nvel de
significncia 10%. O resultado est de acordo com a qualidade do ajuste discutida em (a)?
(d) Numa localidade com 3 estdios de futebol na sua proximidade (menos de 50Km) quanto
prev que valha a correspondente taxa de divrcio?
110 CAPTULO 10. EXERCCIOS
9.4 (Exame de P.E. - 2006/07) Com o objectivo de estudar a qualidade do ar na regio de Lisboa,
pretende-se modelar a quantidade Y de Ozono troposfrico (O3 ), com a quantidade x de partculas
em suspenso com dimetro aerodinmico inferior a 10 m (P M10 ). Para tal, registaram-se os
seguintes dados:
xi 60.5 78.8 89.8 80.9 74.8 49.9 97.5 92.5 36.5 18.1 29.6 15.9
yi 124.2 158 177.1 185.6 179.2 145.7 163.7 188.8 122.2 75.4 94.8 80.3
X X X
xi = 724.8; x2i = 53414.92; SY Y = 18620.05; xi yi = 114890.35; 2 = 237.44;
(a) Ajuste um modelo de regresso linear simples aos dados. Refira quais os pressupostos do
modelo.
(b) Comente a qualidade do modelo.
(c) Teste, ao nvel de significncia de 5%, a hiptese de o declive da recta de regresso ser nulo.
(d) Prove que qualquer recta dos mnimos quadrados passa por (x, y).
Captulo 11
Tabelas
Funo de distribuio Normal reduzida
Z z
(z) = P (Z z) = 1 exp 12 t2 dt
2
z 0 1 2 3 4 5 6 7 8 9
.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.7 .7580 .7611 .7642 .7673 .7704 .7734 .7764 .7794 .7823 .7852
.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3 .9987 .9990 .9993 .9995 .9997 .9998 .9998 .9999 .9999 1.0000
111
CAPTULO 11. TABELAS
Montgomery e Runger (2002). Applied Statistics and Probability for Engineers. Wiley.
113